Optimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika

1248

Optimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme

Genetika

Ardiansyah Setiajati1_{, Imam Cholissodin}2_{, Agus Wahyu Widodo}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email : 1_{ardi.setiajati@gmail.com,} 2_{imamcs@ub.ac.id,} 3_{a_wahyu_w@ub.ac.id}

Abstrak

Saat ini hampir di seluruh perusahaan membutuhkan teknologi dalam membantu kegiatan bisnis. Sehingga teknologi informasi dapat membantu kegiatan perusahaan dalam mencapai tujuannya dengan efektif dan efisien. Alat Tulis Kantor (ATK) merupakan salah satu sarana pendukung penting dalam menjalankan fungsi operasional suatu perusahaan. Umumnya, sistem pengelolaan ATK di beberapa perusahaan atau instansi masih dilakukan secara manual, sehingga masih sering timbul kesalahan informasi serta ketidakjelasan dan ketidakteraturan dalam pembagian barang untuk pegawai. Algoritme genetika merupakan algoritme yang berbasis populasi yang dapat menyelesaikan permasalahan yang berkaitan dengan optimasi dengan ruang pencarian yang sangat luas. Algoritme genetika dapat menyelesaikan masalah dengan memberikan himpunan solusi dan menemukan solusi yang paling optimal. Pada penelitian ini, representasi kromosom yang digunakan terdiri dari 801 gen yang terdiri dari jumlah dari setiap barang yang bisa diambil oleh setiap jabatan. Hasil solusi optimal diperoleh pada pengujian yang dilakukan sebanyak 10 kali dengan menggunakan parameter yaitu jumlah generasi sebanyak 2250, nilai Cr sebesar 0,1, nilai Mr sebesar 0,9, dan ukuran populasi sebanyak 100, dengan nilai fitness sebesar 7,288. Namun dari solusi tersebut masih terdapat pelanggaran yaitu jumlah beberapa barang yang melebihi stok. Sehinga solusi yang dihasilkan tersebut masih belum optimal.

Kata kunci: pembagian, alat tulis kantor, algoritme genetika Abstract

Nowadays almost all companies need technology in helping business activities. Therefore information technology can help the company's activities in achieving its goals effectively and efficiently. Office stationery is one of the important supporting tools in running the operational functions of a company. Currently, office stationery management system in some companies or agencies are still done manually, so there is still often error information. Genetic algorithm is a population-based algorithm that can solve problems related to optimization with a very wide search space. Genetic algorithms can solve problems by providing a set of solutions and finding the most optimal solution. The chromosome representation consists of 801 genes comprising the sum of each item that each position can take. The optimal solution result is obtained on the test which is done 10 times using parameter that is the number of generation 2250, cr value 0,1, mr value 0,9, and population size 100, with fitness value equal to 7,288. However, there are still violations which is the number of some items that exceed the stock. Therefore, the solution is still not optimal.

Keywords: distribution, office stationery, genetic algorithm.

1. PENDAHULUAN

Pada era modern ini, peranan teknologi sangat dibutuhkan terutama dalam membantu kegiatan bisnis. Dengan adanya teknologi informasi maka informasi dapat diperoleh dan diproses dengan mudah dan cepat. Sehingga teknologi informasi dapat membantu kegiatan

perusahaan dalam mencapai tujuannya dengan efektif dan efisien.

Alat Tulis Kantor (ATK) merupakan benda-benda yang bersifat habis-pakai untuk pelaksanaan kegiatan kantor sehari-hari oleh karyawan (Gie, 1988). ATK merupakan salah satu sarana pendukung penting dalam menjalankan fungsi operasional suatu perusahaan. Ketersediaan ATK dapat

mempengaruhi keberlangsungan kinerja dari suatu perusahaan. Semakin berkembangnya suatu perusahaan maka bertambah pula kebutuhan yang harus dimiliki untuk alat tulis kantor. Sehingga manajemen pengelolaan ATK berperan penting dalam mengendalikan ketersediaan ATK bagi perusahaan. Namun, sering kali perusahaan tidak memberikan perhatian penuh pada manajemen ATK yang akan mengakibatkan persediaan ATK berlebihan atau kurang serta meningkatnya resiko kecurangan oknum tidak bertanggung jawab yang memanfaatkan ATK perusahaan untuk kepentingan pribadi. Sehingga diperlukan manajemen pengelolaan ATK yang baik (Rahayu, et al., 2015).

Saat ini, sistem pengelolaan ATK di beberapa perusahaan atau instansi masih dilakukan secara manual, sehingga masih sering timbul kesalahan informasi. Dengan masalah tersebut maka akan menyebabkan pembuatan laporan rencana penggunaan barang untuk pengajuan anggaran tahun selanjutnya melambat.

Salah satu cabang ilmu Evolution Algorithms yang banyak dikenal ialah algoritme genetika. Algoritme genetika bisa digunakan untuk permasalahan optimasi. Algoritme genetika merupakan metode untuk menyelesaikan permasalahan optimasi dengan model matematika yang kompleks (Mahmudy, 2013).

Algoritme genetika menggunakan konsep natural selection dalam melakukan proses pencarian dan optimasi. Algoritme genetika dapat menyelesaikan masalah dengan memberikan himpunan solusi dan menemukan solusi yang paling optimal.

Penerapan algoritme genetika dapat dilakukan pada berbagai macam masalah yang membutuhkan solusi yang optimum seperti penjadwalan dan pembagian. Pada penelitian sebelumnya yang dilakukan ole Saputro (2015), algoritme genetika digunakan untuk menyelesaikan permasalahan pembagian penggunaan lahan pertanian. Algoritme genetika juga dapat digunakan untuk menyelesaikan permasalahan penjadwalan pelayanan pasien di rumah sakit seperti pada penelitian yang dilakukan oleh Memari (2016). Pada penelitian lainnya yang dilakukan oleh Mathur (2009), algoritme genetika digunakan untuk menyelesaikan permasalahan penjadwalan saluran irigasi. Penelitian yang berkaitan dengan algoritme genetika juga dilakukan oleh Nugraha

(2008) untuk menyelesaikan permasalahan penjadwalan kegiatan belajar mengajar.

Pada penelitian ini algoritme genetika akan diimplementasikan untuk masalah optimasi pembagian barang alat tulis kantor.

2. ALAT TULIS KANTOR

Alat tulis kantor merupakan benda-benda yang bersifat habis-pakai untuk pelaksanaan kegiatan kantor sehari-hari oleh karyawan. Yang tergolong office supplier misalnya adalah pulpen, pensil, tinta, kertas, dan lain sebagainya. Supplies atau biasa disebut peralatan merupakan persediaan yang dibutuhkan oleh suatu organisasi yang pada umumnya berbentuk benda-benda atau bersifat material. Supplies dapat dibedakan menjadi 2 jenis, yaitu barang habis pakai dan barang tahan lama (Pranata, 2014).

3. ALGORITME GENETIKA

Algoritme genetika meniru konsep evolusi alami dari sebuah populasi individu Algoritme genetika banyak digunakan untuk permasalahan yang berkaitan dengan ilmu fisika, biologi, ekonomi, dan ilmu lainnya yang membutuhkan metode pengoptimasian dengan model matematika yang kompleks (Mahmudy, 2013).

Algoritme genetika dibagi menjadi beberapa tahapan proses, yaitu:

 Proses inisialisasi bertujuan untuk membentuk individu-individu baru yang digambarkan sebagai susunan gen (kromosom).

 Proses reproduksi yang bertujuan untuk mendapatkan keturunan (offspring) yang berasal dari individu-individu yang termasuk populasi. Reproduksi dibagi menjadi dua proses yaitu crossover dan mutasi.

 Proses evaluasi bertujuan untuk mengukur tingkat kebugaran (fitness) dari masing-masing kromosom. Tinggi nilai fitness berbanding lurus dengan peluang individu tersebut mempengaruhi peluang individu tersebut menjadi calon solusi.

 Proses seleksi, yang bertujuan untuk memilih individu yang berasal dari populasi dan juga merupakan offspring yang mana dipertahankan untuk proses regenerasi selanjutnya. Individu yang memiliki nilai fitness yang tinggi memiliki peluang besar terpilih sebagai calon solusi

4. PERANCANGAN DAN IMPLEMENTASI

Pada bagian ini membahas perancangan dan impelementasi sistem pembagian barang alat tulis kantor dengan algoritme genetika.

4.1 Perancangan sistem

Perancangan sistem dibuat berdasarkan tahapan dalam algoritme genetika. Tahap penyelesaian masalah ditunjukan pada Gambar 1 berikut ini.

Gambar 1 Diagram Alur Algoritme Genetika Proses dimulai dengan masukan pengguna sistem berupa parameter yang diperlukan dalam algoritme genetika, kemudian sistem melakukan proses perhitungan dengan algoritme genetika untuk menghasilkan pembagian barang yang optimal. Keluaran sistem berupa jumlah barang alat tulis kantor yang paling optimal yang bisa didapat oleh masing-masing pegawai.

4.2 Data Penelitian

Data yang digunakan untuk penelitian ini merupakan data yang didapat melalui proses wawancara dan observasi. Data tersebut meliputi data pegawai, data jabatan, data barang alat tulis

kantor, serta data batasan dalam pembagian barang alat tulis kantor.

4.3 Representasi Kromosom

Penelitian ini menggunakan data alat tulis kantor sebanyak 123 jenis barang dan data pegawai sebanyak 192 orang yang dibagi menjadi 9 jabatan. Setiap individu memiliki panjang kromosom sebesar 801 gen. Kromosom tersebut terdiri dari jumlah dari setiap barang yang bisa diambil oleh setiap jabatan. Pada contoh penghitungan manual, hanya akan menggunakan sample kromosom dengan panjang 25 gen yang terdiri dari 10 jenis barang dengan 3 jenis jabatan. Representasi kromosom menggunakan representasi permutasi dengan membangkitkan angka secara acak dengan interval 1 sampai 100 untuk masing-masing gen pada kromosom. Contoh representasi kromosom dalam penelitian ini dapat dilihat pada Tabel 1 sebagai berikut:

Tabel 1 Representasi Kromosom

Jabatan Gen Barang Kromosom

SM 1 1 14 2 2 40 3 3 84 4 4 26 5 5 9 6 6 17 7 7 53 8 8 93 9 9 46 10 10 93 AM 11 1 66 12 2 47 13 3 11 14 4 26 15 5 79 16 6 77 17 7 81 18 8 38 19 9 11 20 10 7 SPV 21 3 50 22 4 30 23 5 34 24 6 52 25 7 60

Setiap gen dalam tiap individu tersebut merepresentasikan permutasi yang nantinya akan dirubah pada proses evaluasi.

4.4 Reproduksi 4.4.1 Crossover

Proses crossover dilakukan dengan metode extended intermediate crossover yaitu dengan

Mulai

Popsize, Cr, Mr, jumlah generasi

For i = 0 to generasi - 1

i

Solusi Terbaik

Selesai Inisialisasi Populasi Awal

Reproduksi

Evaluasi

Seleksi

memilih 2 parent kemudian child didapatkan dari nilai masing-masing gen pada parent yang terpilih yang diolah dalam perhitungan dengan menggunakan rumus seperti berikut.

𝐶1= 𝑃1+ 𝑎(𝑃2− 𝑃1) (1) 𝐶2= 𝑃2+ 𝑎(𝑃1− 𝑃2)

Keterangan:

𝐶1 = Gen pada child 1 𝐶2 = Gen pada child 2 𝑃1 = Gen pada parent 1 𝑃2 = Gen pada parent 2

𝑎 = Nilai acak dengan interval [-0,25,1,25] Untuk gen dengan nilai yang melebihi 100 maka gen tersebut diberikan nilai 100. Begitu juga untuk gen dengan nilai yang kurang dari 1 maka gen tersebut diberikan nilai 1.

Contoh proses crossover dalam penelitian ini dapat dilihat pada Tabel 2 sebagai berikut:

Tabel 2 Extended Intermediate Crossover

Gen P1 P2 C1 C2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 8 26 86 35 49 98 66 87 73 61 21 82 36 53 9 40 29 66 64 80 7 3 11 70 18 52 92 59 18 81 71 38 71 14 40 85 77 82 93 36 92 80 12 20 54 31 75 84 20 46 8 99 67 38 83 100 51 87 59 51 95 78 83 58 27 93 75 51 68 63 21 37 1 25 43 52 19 78 15 47 66 53 71 28 50 11 81 35 88 18 39 34 27 16 71 17 41 98 65 21 4.4.2 Mutasi

Proses mutasi dilakukan dengan metode random mutation yaitu dengan memilih salah satu gen secara acak untuk diolah menggunakan perhitungan dengan menggunakan rumus sebagai berikut.

𝑥

_𝑖,

= 𝑥

𝑖

+ 𝑟(max − 𝑚𝑖𝑛)

(2)

Keterangan:

𝑥_𝑖, = Gen pada child

𝑥𝑖 = Gen pada parent

𝑟 = Nilai acak dengan interval [-0,1,0,1] 𝑚𝑎𝑥 = Nilai maksimal (100)

𝑚𝑖𝑛 = Nilai minimal (1)

Sama seperti pada proses crossover, untuk gen dengan nilai yang melebihi 100 maka gen tersebut diberikan nilai 100. Begitu juga untuk gen dengan nilai yang kurang dari 1 maka gen tersebut diberikan nilai 1.

Contoh proses mutasi dapat dilihat pada Tabel 3 sebagai berikut.

Tabel 3. Random Mutation

Gen P3 C3 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 71 73 90 9 77 87 73 37 5 17 1 18 57 45 67 33 64 88 38 42 61 44 94 36 100 61 64 87 13 83 85 65 39 1 7 4 19 56 37 68 43 60 83 43 47 62 40 95 36 98 4.5 Evaluasi

Proses evaluasi dibagi menjadi 3 proses yaitu normalisasi, penghitungan harga, penghitungan jumlah barang, dan penghitungan fitness.

4.5.1 Normalisasi

Proses normalisasi merupakan proses perbaikan dari indeks pada gen untuk masing-masing individu. Normalisasi bertujuan agar nilai gen pada masing-masing kromosom untuk masing-masing individu dapat disesuaikan dengan batasan-batasan pada permasalahan. Perhitungan pada proses normalisasi menggunakan rumus sebagai berikut.

𝑔𝑒𝑛 𝑛𝑜𝑟𝑚𝑎𝑙 = (((𝑥−𝑏)

Keterangan: 𝑥 = Nilai gen ke-i

𝑎 = Nilai maksimal random permutasi gen (100) 𝑏 = Nilai minimal random permutasi gen (1)

𝑝 = Nilai maksimal batas pengambilan barang 𝑞 = Nilai minimal batas pengambilan barang

Sebagai contoh penghitungan misal pada gen pertama untuk C3 yaitu 61. Batas permutasi pada kromosom adalah pada interval 1 hingga 100. Gen pertama mewakili barang pertama untuk jabatan pertama pada Tabel 4.1 dengan batas atas sebesar 4 dan batas bawah sebesar 2. Sehingga didapatkan nilai normalisasi untuk gen pertama pada C3 adalah sebagai berikut.

𝑔𝑒𝑛 𝑛𝑜𝑟𝑚𝑎𝑙 𝑘𝑒 − 1 = (((61 − 1)

(100 − 1)) (4 − 2)) + 2 = 3,22 Hasil penghitungan tersebut dibulatkan menjadi 3. Contoh proses normalisasi dalam penelitian ini dapat dilihat pada Tabel 4 sebagai berikut.

Tabel 4. Proses Normalisasi

Gen P1 P2 P3 C1 C2 C3 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 2 3 6 8 8 2 1 19 7 1 2 4 5 8 7 1 1 18 7 1 2 6 7 1 0 3 4 5 7 9 1 1 18 6 0 4 4 6 9 8 2 2 17 6 1 3 7 9 0 1 3 3 6 7 9 2 1 18 6 0 2 2 5 8 8 1 1 19 7 0 3 7 9 1 2 2 4 5 8 9 2 1 19 7 1 4 4 6 8 8 2 1 18 7 1 2 7 7 0 1 3 2 6 7 8 1 1 18 7 0 2 4 5 9 7 1 1 18 6 1 2 7 9 1 0 3 3 6 7 9 2 1 18 6 0 2 2 5 8 8 1 1 19 7 0 3 7 9 1 2 4.5.2 Penghitungan Harga

Proses penghitungan harga diperoleh dari perkalian antara nilai gen yang telah dinormalisasi dengan harga satuan barang yang diambil dari database. Penghitungan tersebut dilakukan pada seluruh gen pada setiap kromosom untuk setiap individu.

Penghitungan tersebut dilakukan pada seluruh gen pada setiap kromosom untuk setiap

individu. Contoh proses penghitungan harga dalam penelitian ini dapat dilihat pada Tabel 5 sebagai berikut:

Tabel 5. Proses Penghitungan Harga

Gen P1 P2 P3 C1 C2 C3 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 32000 30000 75000 18000 18000 5500 1500 361000 50750 400000 32000 40000 62500 18000 15750 2750 1500 342000 50750 400000 25000 13500 15750 2750 0 48000 40000 62500 15750 20250 2750 1500 342000 43500 0 64000 40000 75000 20250 18000 5500 3000 323000 43500 400000 37500 15750 20250 0 1500 48000 30000 75000 15750 20250 5500 1500 342000 43500 0 32000 20000 62500 18000 18000 2750 1500 361000 50750 0 37500 15750 20250 2750 3000 32000 40000 62500 18000 20250 5500 1500 361000 50750 400000 64000 40000 75000 18000 18000 5500 1500 342000 50750 400000 25000 15750 15750 0 1500 48000 20000 75000 15750 18000 2750 1500 342000 50750 0 32000 40000 62500 20250 15750 2750 1500 342000 43500 400000 25000 15750 20250 2750 0 48000 30000 75000 15750 20250 5500 1500 342000 43500 0 32000 20000 62500 18000 18000 2750 1500 361000 50750 0 37500 15750 20250 2750 3000

Dari seluruh harga diatas kemudian dicari total harga untuk masing-masing jabatan pada masing-masing individu. Sehingga didapat nilai total harga untuk masing-masing jabatan pada individu seperti pada Tabel 6.

Tabel 6. Total Harga Setiap Jabatan

Individu SM AM SPV P1 P2 P3 C1 C2 C3 991750 576250 581500 991500 573750 581500 965250 992250 566500 1014750 960250 566500 57000 75000 79250 58000 63750 79250

4.5.3 Penghitungan Jumlah Barang

Proses penghitungan jumlah barang dilakukan untuk memperoleh total barang yang diambil untuk masing-masing jenis barang. Hasil proses normalisasi merepresentasikan jumlah barang yang diambil untuk setiap barang pada masing-masing jabatan. Namun jumlah barang tersebut hanya untuk satu pegawai saja, sehingga untuk memperoleh jumlah barang keseluruhan maka harus dikalikan dengan jumlah pegawai sesuai dengan jabatannya. Penghitungan tersebut dilakukan pada seluruh gen pada setiap kromosom untuk setiap individu. Penghitungan tersebut dilakukan pada seluruh gen pada setiap kromosom untuk setiap individu. Contoh proses penghitungan jumlah barang dalam penelitian ini dapat dilihat pada Tabel 7 sebagai berikut:

Tabel 7. Proses Penghitungan Jumlah Barang Gen P1 P2 P3 C1 C2 C3 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 22 33 66 88 88 22 11 209 77 11 26 52 65 104 91 13 13 234 91 13 34 102 119 17 0 33 44 55 77 99 11 11 198 66 0 52 52 78 117 104 26 26 221 78 13 51 119 153 0 17 33 33 66 77 99 22 11 198 66 0 26 26 65 104 104 13 13 247 91 0 51 119 153 17 34 22 44 55 88 99 22 11 209 77 11 52 52 78 104 104 26 13 234 91 13 34 119 119 0 17 33 22 66 77 88 11 11 198 77 0 26 52 65 117 91 13 13 234 78 13 34 119 153 17 0 33 33 66 77 99 22 11 198 66 0 26 26 65 104 104 13 13 247 91 0 51 119 153 17 34

Dari hasil penghitungan diatas, kemudian dihitung jumlah total barang yang diambil untuk masing-masing jenis barang. Sehingga didapat nilai jumlah barang untuk masing-masing jenis barang seperti pada Tabel 8.

Tabel 8. Total Barang Setiap Jenis Barang Ind 1 2 3 4 5 6 ... 10 P1 P2 P3 C1 C2 C3 48 85 59 74 59 59 85 96 59 96 74 59 165 184 182 167 165 182 294 313 300 311 313 300 298 356 356 322 332 356 52 37 52 48 41 52 ... ... ... ... ... ... 24 13 0 24 13 0 4.5.4 Penghitungan Fitness

Penghitungan fitness dilakukan dengan dua proses, yaitu proses penghitungan fitness jumlah barang dan penghitungan fitness harga barang. Setelah mendapatkan masing-masing nilai dari proses penghitungan fitness tersebut, nantinya kedua nilai tersebut akan dijumlahkan untuk memperoleh nilai fitness total.

Pada proses penghitungan fitness jumlah barang, dilakukan perhitungan fitness berdasarkan jumlah barang dari masing-masing barang yang ada. Tujuannya adalah untuk menilai apakah nilai jumlah barang yang diperoleh menggunakan algoritme genetika tersebut tidak melebihi jumlah stok barang yang telah ditentukan.

Sehingga didapat nilai fitness jumlah barang untuk masing-masing individu sebagai berikut:

Tabel 9. Proses Penghitungan Fitness Jumlah

Barang

Individu Fitness Jumlah Barang P1 P2 P3 C1 C2 C3 1601 1701 1668 1694 1608 1668

Sedangkan pada proses penghitungan fitness harga, nilai fitness dihitung berdasarkan harga seluruh barang yang diperoleh dari masing-masing jabatan. seluruh barang yang diperoleh dari masing-masing jabatan. Nilai fitness untuk setiap jabatan diperoleh dari selisih dari limit total harga pengambilan barang setiap jabatan dengan total harga masing-masing jabatan.

Sehingga didapat nilai fitness harga barang untuk masing-masing individu sebagai berikut:

Tabel 10. Proses Penghitungan Fitness Harga

Barang

Individu SM AM SPV Fitness Harga

Barang P1 P2 P3 C1 C2 C3 8250 423750 418500 8500 426250 418500 34750 7750 433500 -14750 39750 433500 43000 25000 20750 42000 36250 20750 86000 456500 872750 35750 502250 872750 Setelah melakukan kedua proses perhitungan fitness diatas, nilai yang diperoleh dari kedua proses tersebut dijumlahkan untuk mendapatkan nilai fitness total untuk masing-masing individu. Contoh hasil proses penghitungan fitness dalam penelitian ini dapat dilihat pada Tabel 9 sebagai berikut:

Tabel 11. Hasil Penghitungan Fitness

Individu Fitness Jumlah Fitness Harga Fitness Total P1 P2 P3 C1 C2 C3 1601 1701 1668 1694 1608 1668 86000 456500 872750 35750 502250 872750 87601 458201 874418 37444 503858 874418

Pada proses pengujian, nantinya nilai fitness akan dikalikan dengan konstanta sebesar 0.0000001 agar nilai fitness tersebut tidak besar sehingga dapat dibandingkan dengan nilai fitness yang dimiliki oleh individu lain.

4.6 Seleksi

Proses seleksi dilakukan dengan menggunakan metode elitism selection, yaitu mencari dan mengurutkan individu dengan nilai fitness tertinggi sebanyak popsize untuk dijadikan populasi baru pada generasi selanjutnya.

4.7 Hasil Implementasi

Implementasi antarmuka pada sistem pembagian barang alat tulis kantor terdiri dari 4 halaman utama, yaitu halaman lihat data, halaman algoritme genetika, halaman hasil perhitungan, dan halaman pengambilan barang. Antarmuka sistem ditunjukkan pada Gambar 2, Gambar 3, dan Gambar 4 sebagai berikut.

Gambar 2. Antarmuka Algoritme Genetika

Gambar 3. Antarmuka Hasil Perhitungan

Gambar 4. Antarmuka Pengambilan Barang

5. PENGUJIAN DAN ANALISIS

Penelitian ini melakukan tiga pengujian, yaitu pengujian jumlah generasi, pengujian kombinasi nilai Crossover Rate (Cr) dan Mutation Rate (Mr), serta pengujian ukuran populasi. Pengujian dilakukan sebanyak 10 kali percobaan dengan mengambil nilai rata-rata fitness pada semua percobaan yang dilakukan.

Pengujian jumlah generasi dilakukan dengan nilai 250, 500, 750, 1000, 1250, 1500, 1750, 2000, 2250, dan 2500. Nilai fitness tertinggi diperoleh pada percobaan dengan jumlah generasi sebesar 2250 dengan nilai fitness sebesar 6,256. Grafik hasil pengujian jumlah generasi ditunjukkan sebagai berikut.

Gambar 5. Grafik Pengujian Jumlah Generasi

Pengujian nilai Cr dan Mr dilakukan sebanyak 10 kali dengan kombinasi nilai Cr dan Mr yang berbeda. Nilai fitness tertinggi diperoleh dengan kombinasi nilai Cr sebesar 0,1 dan Mr sebesar 0,9 dengan nilai fitness sebesar 5,802.Grafik hasil pengujian kombinasi nilai Cr dan Mr ditunjukkan sebagai berikut.

Gambar 6. Pengujian Nilai Cr dan Mr

Pengujian ukuran populasi dilakukan dengan nilai 10, 20, 30, 40, 50, 60, 70, 80, 90, dan 100. Nilai fitness tertinggi diperoleh pada percobaan dengan ukuran populasi terbesar yaitu 100 dengan nilai fitness sebesar 7,157. Grafik hasil pengujian ukuran populasi ditunjukkan sebagai berikut.

Gambar 7. Grafik Pengujian Ukuran Populasi

5.1 Pengujian Parameter dan Analisis Hasil Berdasarkan pengujian ukuran populasi, jumlah generasi, nilai Cr dan nilai Mr maka diperoleh parameter-parameter yang dapat menghasilkan solusi optimal, yaitu:

Popsize : 100 Cr : 0,1 Mr : 0,9 Jumlah generasi : 2250

Dengan menggunakan parameter-parameter diatas, diperoleh nilai fitness sebesar 7,288. Kemudian dilakukan pengujian untuk membandingkan hasil solusi yang dilakukan secara manual dengan hasil solusi yang diperoleh menggunakan sistem. Pada pengujian ini hanya akan menggunakan 3 jenis jabatan.

Hasil solusi menggunakan cara manual menghasilkan harga yang lebih mahal dan

hampir seluruh barang melebihi stok. Sedangkan hasil solusi menggunakan sistem menghasilkan harga yang lebih murah namun masih terdapat beberapa barang yang melebihi stok meskipun tidak sebanyak hasil proses manual. Sehingga dapat disimpulkan bahwa hasil solusi menggunakan sistem belum optimal karena masih terdapat beberapa pelanggaran. Namun penggunaan algoritme genetika membuat waktu pengerjaan menjadi lebih cepat dibandingkan dengan cara manual.

6. KESIMPULAN

Berdasarkan penelitian yang telah dilakukan maka diperoleh kesimpulan sebagai berikut:

1. Algoritme genetika dapat

diimplementasikan pada sistem pembagian barang alat tulis kantor. Tahapan proses yang dilakukan dalam pengimplementasian algoritme genetika untuk pembagian barang akat tulis kantor, yaitu tahap inisialisasi populasi awal, reproduksi (proses crossover menggunakan metode extended intermediate crossover dan proses mutasi menggunakan metode random mutation), normalisasi, penghitungan harga, penghitungan fitness, dan seleksi menggunakan metode elitism selection. Representasi kromosom menggunakan representasi permutasi dengan membangkitkan angka secara acak dengan interval 1 sampai 100 untuk masing-masing gen pada kromosom. Setiap individu memiliki panjang kromosom sebesar 801 gen yang terdiri dari jumlah dari setiap barang yang bisa diambil oleh setiap jabatan. Solusi yang optimal didapat dari nilai fitness yang tertinggi sehingga menghasilkan jumlah barang alat tulis kantor yang paling optimal yang bisa didapat oleh masing-masing pegawai berdasarkan harga barang dan stok barang.

2. Berdasarkan hasil pengujian parameter algoritme genetika, solusi optimal diperoleh dengan parameter yaitu jumlah generasi sebanyak 2250, nilai Cr sebesar 0,1, nilai Mr sebesar 0,9, dan ukuran populasi sebanyak 100. Pengujian tersebut dilakukan sebanyak 10 kali dan menghasilkan nilai fitness sebesar 7,288. Namun solusi tersebut belum optimal karena masih terdapat pelanggaran yaitu jumlah beberapa barang yang melebihi stok.

Pada penelitian ini masih memiliki banyak kekurangan sehingga terdapat beberapa saran untuk pengembangan dari penelitian ini antara lain adalah:

1. Pengolahan data pada penelitian ini yang cenderung masih statis. Sistem ini hanya bisa berjalan dengan data yang sudah tetap. Harapannya pada penelitian selanjutnya, data yang digunakan dapat ditambah atau dikurangi sehingga sistem dapat lebih dinamis.

2. Untuk penelitian selanjutnya dapat memperbaiki fungsi fitness yang digunakan agar dapat menghasilkan solusi yang lebih optimal.

7. DAFTAR PUSTAKA

Gie, T. L., 1988. Administrasi Perkantoran Modern. Yogyakarta: Supersukses and Nur Cahaya.

Indriani, K. & Sudarmadi, 2015. Sistem Informasi Alat Tulis Kantor (ATK) Menggunakan Metode Waterfall. Jakarta: Jurnal Techno Nusa Mandiri. Mahmudy, W. F., 2013. Algoritme Evolusi.

Malang: Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya.

Mathur, Y. P., Sharma, G. & Pawde, A. W., 2009. Optimal Operation Scheduling of Irrigation Canals Using Genetic Algorithm. Jaipur: Malaviya National Institute of Technology.

Memari, H., Rahimi, S., Gupta, B. & Sinha, K., 2016. Towards Patient Flow Optimization in Emergency Departments Using Genetic Algorithm. Illinois: Southern Illinois University. Nugraha, I., 2008. Aplikasi Algoritme Genetik

untuk Optimasi Penjadwalan Kegiatan Belajar Mengajar. Bandung: Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung.

Pranata, G. A., 2014. Rancang Bangun Sistem Informasi Permintaan Pembelian Barang Berbasis Web. Surabaya : Institut Bisnis dan Informatika STIKOM.

Rahayu, S., Nurhaeni, T. & Rohmah, M., 2015. Sistem Persediaan Alat Tulis Kantor Sebagai Penunjang Pengambilan Keputusan Bagian Logistik Di

Perguruan Tinggi Raharja. s.l.:Perguruan Tinggi Raharja.

Saputro, H. A., Mahmudy, W. F. & Dewi, C., 2015. Implementasi Algoritme Genetika untuk Optimasi Penggunaan Lahan Pertanian. Malang: Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya.