Penjadwalan Dinas Pegawai Menggunakan Algoritma Evolution Strategies
pada PT. Kereta Api Indonesia (KAI) DAOP 7 Stasiun Besar Kediri
Winda Fitri Astiti1, Dian Eka Ratnawati2, Mochammad Ali Fauzi3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Penjadwalan dinas pegawai PT. Kereta Api Indonesia bertujuan untuk merencanakan jumlah pegawai yang dinas secara bergiliran berdasarkan setiap waktu kerja sehingga memenuhi prosedur operasional standar yang sudah ditetapkan. Permasalahan penjadwalan dinas pegawai mempunyai kompleksitas yang sangat tinggi karena didalam penjadwalan banyak faktor yang harus dipertimbangkan seperti aturan jam kerja serta jumlah pegawai yang diharuskan dinas setiap harinya. Data yang digunakan pada penelitian ini adalah data pegawai sebanyak 14 pegawai yang akan dijadwalkan dinas. Algoritme yang digunakan pada penelitian ini adalah Algoritme Evolution Strategies. Dalam proses Algoritme Evoluiton
Strategies reperesntasi kromosom yang digunakan adalah representasi permutasi, dengan panjang 98,
yang disesuaikan dengan jumlah pegawai dan jumlah hari untuk penjadwalan dinas pegawai. pada proses reproduksi, proses mutasi menggunakan insert mutation. Untuk evaluasi nilai fitness diperoleh dari perhitungan dari jumlah nilai pinalti dari setiap individu.sedangkan proses seleksi yang digunakan adalah elitism selection. Pada algoritme ini menghasilkan penjadwalan yang sesuai dengan aturan berdasarkan parameter optimal ukuran populasi sebesar 80 dan banyak generasi sebesar 70 dengan rata-rata nilai fitness sebesar 0,2. Hasil pada sistem ini adalah penjadwalan untuk jadwal dinas pegawai selama tujuh hari yang sesuai dengan prosedur operasional standar yang ditetapkan.
Kata kunci: Algoritme Evolution Strategies, Penjadwalan, Pegawai
Abstract
Scheduling employee service of PT. Kereta Api Indonesia aims to plan the number of employees on duty in turns based on each service time. Employee service scheduling is designed to meet scheduling in accordance with established standard operating procedures. The problem of scheduling the employee service has a very high complexity because in scheduling many factors must be considered such as the hours of work and the number of employees required by the office on a daily basis. The data used in this study is employee data of 14 employees who will be scheduled service. The algorithm used in this research is Algorithm Evolution Strategies. In the process of Evoluiton Strategies Algorithm the representation of chromosomes used is a representation of permutations, with length of gene 98, adjusted for the number of employees and the number of days for scheduling the employee service. The process of reproduction, mutation process using insert mutation. Process valuate the fitness value obtained from the calculation of the number of penalty value of each individual while the selection process used is elitism selection. In this algorithm generate scheduling according to the rules based on the optimal parameter of population size of 80 and many generations of 70 with average fitness value of 0.2. The result of this system is scheduling for a seven-day official schedule that complies with standard operating procedures established.
Keywords: Evolution Strategies Algorithms, Scheduling, Employees
1. PENDAHULUAN
Transportasi merupakan faktor penting dan strategis dalam upaya memperlancar roda perekonomian, mempererat persatuan dan kesatuan serta mempengaruhi berbagai aspek kehidupan bangsa Indonesia. Tingkat
kepentingan akan sarana transportasi tersebut didorong dengan semakin meningkatnya kebutuhan akan jasa angkutan umum bagi mobilitas orang maupun barang dari dan ke seluruh pelosok tanak air. Untuk itu kebutuhan akan jenis transportasi massal yang efisien, cepat, nyaman, dan murah merupakan kebutuhan
yang sangat penting bagi masyarakat Indonesia. Dengan upaya pengembangan perkeretaapian di Indonesia sebagai sarana transportasi massal untuk mengatasi berbagai permasalahan seperti kemacetan diperkotaan merupakan solusi yang sangat tepat (Direktorat Jendral Anggaran, 2015).
Untuk memenuhi kebutuhan masyarakat akan sarana transportasi massal, maka PT. Kereta Api Indonesia (KAI) memberikan upaya peningkatan kualitas layanan bagi konsumen, dengan memberikan pelayanan selama 24 jam. Sehingga, menuntut pegawainya bekerja selama 24 jam dalam satu hari. Salah satu stasiun yang menerapkan waktu kerja 24 jam dalam satu hari adalah Stasiun Besar Kediri. Menurut Bagian Pelaksanaan Stasiun Besar Kediri, seluruh pegawai operasional Stasiun Besar Kediri memiliki pembagian jam dinas masing-masing, namun penjadwalan dinas pegawai masih belum sesuai dengan prosedur operasional standar yang ditetapkan.
Terdapat berbagai permasalahan di Stasiun Besar Kediri terkait penjadwalan waktu dinas pegawai operasional selama 24 jam, antara lain penjadwalan dinas pegawai operasional tidak sesuai dengan prosedur operasional standar yang telah ditetapkan. Misalnya dalam penjadwalan harus ada enam pegawai yang dijadwalkan dinas pagi namun pada penjadwalan dinas pegawai operasional masih belum memenuhi kriteria tersebut, seperti hanya ada lima pegawai yang dijadwalkan dinas pagi atau melebihi dari prosedur yang telah ditetapkan. Sehingga perlu dilakukan penjadwalan secara otomatis berdasarkan prosedur operasional standar.
Dengan demikian, berdasarkan permasalahan yang ada pada penjadwalan dinas pegawai di Stasiun Besar Kediri, dibangunlah sebuah sistem penjadwalan dinas pegawai yang memiliki tujuan utama yaitu membuat penjadwalan dinas pegawai operasional yang akan datang sesuai dengan prosedur operasional standar yang ditetapkan.
Pada penelitian ini sistem penjadwalan dinas pegawai dibangun dengan menggunakan algoritme Evolution Strategies. Algoritme
Evolution Strategies merupakan bentuk genetik
dari algoritme optimasi heuristic berbasis populasi yaitu teknik memecahkan permasalahan optimasi yang rumit dengan menirukan proses evolusi mahkluk hidup (Widodo, 2010). Algoritme Evolution Strategies dipilih karena algortima tersebut lebih menekankan pada proses mutasi sehingga proses
penjadwalan akan berlangsung lebih singkat (Mahmudy, 2013).
Untuk penelitian Algoritme Evolution
Strategies yang telah dilakukan sebelumnya oleh
Munawaroh, F., (2015) mengenai optimasi distribusi pupuk menggunakan algortima
Evolution Strategies yang memiliki tujuan
mempercepat pengiriman dan pemerataan pupuk di berbagai daerah dengan biaya yang semininal mungkin dengan memaksimalkan rute dan kapasitas kendaraan. Berdasarkan hasil penelitian ini, parameter dengan nilai fitness terbaik adalah ukuran populasi 80, jumlah keturunan 5, jumlah generasi 80, dan komposisi adalah 30% dari segmen 1, 20% dari segmen 2, dan 50 % untuk kedua segmen.
Dengan demikian Algoritme Evolution
Strategies dipilih karena mampu memberikan
solusi yang optimal dari suatu permasalahan seperti pada permasalahan penjadwalan dinas pegawai Stasiun Besar Kediri secara otomatis agar lebih efektif dan efisien.
2. LANDASAN KEPUSTAKAAN 2.1 Penjadwalan
Penjadwalan adalah sebuah proses pengambilan keputusan untuk mengalokasikan sumber daya manusia yang berkaitan dengan pekerjaan dalam suatu waktu yang sudah ditentukan dan tujuannya untuk mengoptimalkan satu tujuan atau lebih, misalnya adalah penjadwalan pegawai (Husen, 2008).
Masalah penjadwalan pegawai secara umum adalah masalah dalam penentuan waktu pekerjaan. Setiap pekerjaan mempunyai prioritas yang berbeda dan waktu memulai dan berakhirnya sebuah pekerjaan. Sumber daya manusia adalah komponen yang terpenting diantara semua bidang organisasi baik di industri ataupun jasa, menjadwalkan pegawai adalah masalah yang umum pada semua bidang organisasi (Evrim Didem Gunes, 1999). Di dalam penjadwalan pegawai untuk kriteria penjadwalan didasarkan pada prosedur operasional standar yang sudah ditetapkan. Untuk penjadwalan pegawai yang dibagi oleh jam kerja yang disebut dengan dinas pegawai maka untuk penjadwalan pegawai harus memperhatikan jadwal dinas pegawai satu dengan yang lainnya
2.2 Algoritme Evolution Strategies
cabang dari Evolutionary Algorithms (EAs). EA merupakan bentuk genetik dari algoritme optimasi meta-heuristic berbasis populasi. ES adalah suatu algoritme pencarian yang berbasis pada mekanisme seleksi alam dan genetika. ES menggunakan mutasi pada proses perhitungan. Beda dengan Algortima Genetika yang sebelum melakukan mutasi harus ada proses crossover. Pada Algoritme Evolution Strategies prosesnya lebih sedikit singkat dibandingkan dengan Algortima Genetika pada umumnya.
Berikut adalah diagram alir untuk optimasi algoritme evolution strategies dapat dilihat pada Gambar 1.
Gambar 1 Diagram Alir Algoritme Evolution Strategies
Untuk proses Algoritme Evolution Strategies dapat dilihat pada pseudocode
Gambar 2. procedure EvolutionStrategies begin t = 0 inisialisasi P(t): generate μ individu
while (bukan kondisi berhenti) do recombinasi: produksi C(t) mutasi C(t)
seleksi P(t+1) dari P(t) dan C(t)
t = t + 1 end while end
Gambar 2 Pseudocode Algoritme Evolution Strategies
Sumber (Mahmudy, 2013)
Struktur dasar dari algoritme evolution
strategies yaitu terdiri dari miu (µ), lambda (λ)
dan sigma/strategy parameters (σ). Miu (µ) yang digunakan untuk menentukan jumlah individu dalam populasi, pada lamda (λ) digunakan untuk menentukan jumlah offspring, dan pada
sigma/strategy parameters (σ) yang digunakan
untuk menentukan level mutasi yang dilakukan. Pada sigma (σ) merupakan bilangan random dengan interval random yang telah ditetapkan sebelumnya. Pada penelitian ini, interval sigma yang ditetapkan adalah [0-3].
2.1.1 Representasi Kromosom
Kromosom dalam penelitian ini berupa representasi permutasi dengan jumlah gen sebanyak 98. Kromosom tersebut dibangkitkan dari bilangan random dengan range 1 sampai 14, setiap gen yang dibangkitkan mewakili nomor pegawai. Setiap 6 gen pertama menunjukkan dinas pagi, 5 gen berikutnya menunjukkan dinas siang, 1 gen berikutnya menunjukkan dinas malam dan 2 gen terakhir menunjukkan dinas libur sehingga 14 gen menunjukkan kebutuhan dinas pegawai dalam satu hari seterusnya sampai hari ke 7 dan berjumlah 98. Untuk proses pembentukan populasi awal yaitu membuat individu baru secara acak. Untuk representasi kromosom dapat dilihat pada Gambar 3.
Gambar 3 Representasi Kromosom
2.1.2 Reproduksi
Reproduksi dilakukan untuk mendapatkan individu baru dalam populasi. Proses reproduksi dengan menggunakan mutasi untuk membentuk
offspring (λ) dibentuk sesuai dengan ukuran
populasi (µ) atau (λ=µ). Metode mutasi dalam penelitian ini adalah insert mutation yang dilakukan dengan memilih induk secara random serta memilih satu posisi gen (selected point) secara random kemudian mengambil dan menyisipkan nilainya pada posisi yang dipilih
(insertion point) secara random. Misalnya,
terpilih satu induk secara random yaitu P3 dan terpilih gen 9 yang akan dilakukan proses mutasi dengan penyisipan nilai gen 41. Setelah proses Start Input : Data Pegawai Pembangkitan Populasi Awal Mutasi Evaluasi Seleksi
Hasil Populasi baru
i Output : Penjadwalan Dinas Pegawai Stop For i=1 to jumlah generasi
insert mutation dan terbentuklah individu baru.
Proses mutasi pada Gambar 4.
Gambar 4 Insert Mutation
2.1.3 Evaluasi
Evaluasi merupakan tahap perhitungan nilai
fitness. Proses evaluasi dilakukan setelah proses
inisialisasi dan proses mutasi dilakukan. Nilai
fitness digunakan untuk mengukur solusi terbaik
yang dibawa suatu individu. Nilai fitness yang baik cenderung kan menghasilkan solusi yang terbaik. Fungsi nilai fitness untuk masalah optimasi penjadwalan pegawai ini adalah menghitung jumlah nilai pinalti yang kemudian nantinya akan dipilih nilai pinalti yang terendah untuk membentuk induk terbaru pada iterasi selanjutnya.
Fungsi nilai fitness untuk kasus ini ditunjukkan pada persamaan 1 di bawah ini.
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = 1
∑𝑃𝑖𝑛𝑎𝑙𝑡𝑖 (1)
2.1.4 Seleksi
Proses seleksi akan menghasilkan induk populasi baru. Setalah perhitungan nilai fitness maka akan dipilih dari beberapa induk dengan nilai fitness yang mempunyai nilai tertinggi yang kemudian akan dijadikan induk populasi terbaru. Induk populasi terbaru akan digunakan untuk perhitungan iterasi selanjutnya sampai dihasilkan induk dengan optimasi terbaik. 3. IMPLEMENTASI
3.1 Implementasi Beranda
Pada implementasi antarmuka beranda terdapat form input data pegawai, serta button
browse untuk memasukkan data pegawai berupa file dalam bentuk excel dapat dilihat pada
Gambar 6. Pada data tersebut berisi nama pegawai dan NIPP. Apabila data berhasil di masukkan maka data akan muncul pada tabel data pegawai. Implementasi antarmuka beranda dapat dilihat pada Gambar 5.
Gambar 5 Implementasi Beranda
Gambar 6 Implementasi Browse Data
3.2 Implementasi Tampil Data
Pada implementasi antarmuka tampil data merupakan halaman untuk menampilkan data pegawai yang berhasil dimasukkan oleh pengguna. Data tersebut berupa nama pegawai dan NIPP. Implementasi antarmuka tampil data dapat dilihat pada Gambar 7.
Gambar 7 Implementasi Tampil Data
3.3 Implementasi Hasil Perhitungan
Implementasi antarmuka hasil perhitungan digunakan untuk menampilkan hasil perhitungan dengan menggunakan Algoritme Evolution
Strategies. Hasil perhitungan tersebut menampilkan hasil ukuran populasi, banyak generasi, kromosom terbaik yang terpilih hasil dari optimasi dan hasil nilai fitness terbaik. Implementasi antarmuka hasil perhitungan dapat
dilihat pada Gambar 8.
Gambar 8 Implementasi Hasil Perhitungan
3.4 Implementasi Hasil Penjadwalan
Pada implementasi antarmuka hasil penjadwalan menampilkan hasil penjadwalan dinas pegawai setelah proses perhitungan. Hasil penjadwalan akan menampilkan penjadwalan selama tujuh hari berupa tabel penjadwalan dinas pagi, dinas siang, dinas malam dan dinas libur. Pada tabel tersebut akan menampilkan nama pegawai sesuai dengan penjadwalan dinas. Implementasi antarmuka penjadwalan dapat dilihat pada Gambar 9.
Gambar 9 Implementasi Hasil Penjadwalan
4. PENGUJIAN
4.1 Pengujian Ukuran Populasi
Pengujian terhadap ukuran populasi dilakukan untuk memperoleh hasil ukuran populasi terbaik untuk digunakan sebagai parameter proses pengujian selanjutnya. Pengujian terhadap ukuran populasi dilakukan sebanyak 10 kali pengujian. Parameter yang digunakan dalam pengujian ukuran populasi yaitu:
a. Ukuran populasi : 10-100 b. Banyak generasi : 70
Pengujian ukuran populasi dilakukan dengan menentukan pembentukan populasi awal sebanyak yang sudah ditentukan untuk
menciptakan individu-individu baru. Kemudian mengambil nilai fitness terbaik setiap melakukan sebanyak percobaan yang sudah ditentukan, kemudian dari nilai fitness yang telah diperoleh akan dihitung nilai rata-rata fitnes. Apabila hasil pengujian sudah mulai mengalami konvergensi, maka ukuran populasi tersebut dapat digunakan sebagai parameter optimal untuk proses pengujian selanjutnya. Pengujian untuk ukuran populasi ditunjukkan pada Tabel 1.
Tabel 1 Pengujian Ukuran Populasi
Dari Tabel 1 pengujian ukuran populasi di atas dapat disimpulkan bahwa penambahan ukuran populasi tidak menjamin terjadinya kenaikan pada nilai fitness. Ini terjadi karena adanya proses random diwaktu pembangkitan kromosom awal. Hasil nilai fitness tertinggi sebesar 0,2. Dari hasil pengujian ukuran populasi 80 mulai mengalami konvergensi hingga ukuran populasi 100.
Gambar 10 Grafik Pengujian Ukuran Populasi
4.2 Pengujian Banyak Generasi
Pengujian terhadap banyaknya generasi dilakukan untuk memperoleh hasil generasi terbaik yang digunakan sebagai parameter yang optimal. Pengujian ukuran populasi mendapatkan hasil mulai konvergen sebesar 80. Dari parameter tersebut dapat dijadikan acuan dalam pengujian generasi. Pengujian terhadap banyaknya generasi akan dilakukan sebanyak 10
0,175 0,18 0,185 0,19 0,195 0,2 0,205 0 50 100 150 R ata -r ata fi tn e ss Ukuran Populasi
kali pengujian. Parameter yang digunakan dalam pengujian banyaknya generasi yaitu:
a. Ukuran populasi : 80 b. Banyak generasi : 10-100
Pengujian banyaknya generasi dilakukan dengan mengambil nilai fitness terbaik dari setiap percobaan yang sudah ditentukan, kemudian dari nilai fitness yang telah diperoleh akan dihitungi nilai rata-rata fitness untuk setiap banyaknya generasi. Ketika hasil pengujian sudah konvergensi. Pengujian untuk generasi ditunjukkan pada Tabel 2.
Tabel 2 Pengujian Banyaknya Generasi
Berdasarkan hasil pengujian terhadap banyaknya generasi seperti pada Tabel 2 diperoleh hasil bahwa semakin banyak generasi bisa mengalami penurunan dan kenaikan nilai
fitness. Pada banyak generasi 10 hingga 30
mengalami penurunan rata-rata nilai fitness tetapi pada generasi 40 hingga 70 mengalami kenaikan rata-rata nilai fitness. Konvergensi pada pengujian banyak generasi mulai banyak generasi sebanyak 80 sampai percobaan dengan banyak generasi 100 dengan nilai fitness sebesar 0,2. Banyak generasi tidak hanya mempengaruhi nilai fitness yang akan dihasilkan, apabila banyak generasi semakin bertambah maka waktu komputasi juga akan bertambah baik. Semakin besar banyak generasi maka akan semakin lama waktu komputasinya.
Gambar 11 Grafik Pengujian Banyak Generasi
5. PENUTUP
Berdasarkan hasil analisis dan perancangan sistem, implementasi sistem, dan pengujian sistem pada penjadwalan dinas pegawai stasiun menggunakan Algoritme Evolution Strategies terdapat beberapa kesimpulan yaitu:
1. Algoritme Evolution Strategies dapat diterapkan pada penjadwalan dinas pegawai stasiun. Pembangkitan populasi awal dilakukan secara random menggunakan representasi kromosom permutasi. Kromosom yang dibangkitkan dengan
range 1-14 yaitu jumlah pegawai sebanyak
14 untuk penjadwalan dalam satu hari. Kromosom dengan jumlah gen sebanyak 98 untuk penjadwalan selama tujuh hari. Setelah itu akan diproses dengan cara proses mutasi menggunakan insert mutation yaitu dari individu kromosom
akan dikembangkan untuk menghasilkan individu baru dengan cara mengubah satu gen pada individu secara acak. Lalu proses penggabungan seluruh individu yang akan dihitung nilai fitness. Setelah proses mutasi adalah proses evaluasi yaitu perhitungan nilai fitness. Pada perhitungan nilai fitness akan dihitung pinalti dari masing-masing individu. Dari nilai fitness yang sudah dihitung dari seluruh individu akan dilakukan proses seleksi untuk pemilihan individu dengan nilai fitness tertinggi sebanyak ukuran populasi. Kromosom terbaik yang terpilih dengan nilai fitness tertinggi akan ditampilkan dan terpilih sebagai hasil penjadwalan dinas pegawai stasiun.
2. Hasil penjadwalan dinas pegawai yang dihasilkan oleh Algoritma Evolution Strategies masih mengalami kesalahan
yaitu ada pegawai yang masih mendapatkan jam dinas lebih dari satu dinas. Pada penjadwalan lainnya sudah sesuai aturan yang sudah ditetapkan.
DAFTAR PUSTAKA
Beyer, H. G, Schwefel, H.P. 2002.Evolution
Strategies: A Comprehensive Introduction.
Journal Natural Computing 1, 2002, 3-52. Endarwati, DA, Mahmudy, WF & Ratnawati,
DE. 2014. Pencarian Rute optimum dengan
Evoluiton Strategies. Reposity Jurnal
Mahasiswa PTIIK Universitas Brawijaya. Malang. 0,18 0,185 0,19 0,195 0,2 0,205 0 50 100 150 R ata -r ata fi tn e ss Banyak Generasi
Harun, I.A., Mahmudy, W.F., dan Yudistira, N., 2014, Implementasi evolution strategies
untuk penyelesaian vehicle routing problem with time windows pada distribusi minuman soda XYZ. Jurnal Mahasiswa PTIIK
Universitas Brawijaya, vol. 4, no. 1. Kurniawan, Robby. 2015. Optimasi Tebar Benih
dan Pakan pada Suatu Kolam menggunakan Algoritme Evoluiton Strategies. FT UMRAH.
Mahmudy, WF. 2013. Algoritme
Evolusi.Program Teknologi Informasi dan
Ilmu Komputer. Universitas Brawijaya. Malang.
Mahmudy, WF, Marian, RM & Luong, LHS. 2013 a, Real coded genetic algorithms for
solving flexiblejob-shop scheduling problem – Part II: optimization', Advanced
Materials Research, 701, 364-369.
Milah, H & Mahmudy, WF. 2015. Implementasi
Algoritme Evoluiton Strategies untuk Optimasi Komposisi Pakan Ternak Sapi Potong. Uiversitas Brawijaya. Malang.
Munawaroh, F. dan Mahmudy, W.F., 2015,
Penerapan algoritme evolution strategies untuk meminimumkan biaya distribusi barang. Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 11. Putri, A.M.D.A., Mahmudy, W.F., dan
Cholissodin, I., 2015, Optimasi model fuzzy
AHP dengan menggunakan algoritme evolution strategies (studi kasus: pemilihan calon penerima beasiswa PTIIK Universitas Brawijaya). Jurnal Mahasiswa
PTIIK Universitas Brawijaya, vol. 5, no. 15. Ilmi, R., Rifqy, Mahmudy, W.F., dan Ratnawati, D.E., 2016, Optimasi Penjadwalan Perawat menggunakan Algoritma Genetika. Jurnal Mahasiswa PTIIK Universitas Brawijaya vol 5, no.13.
Rifqi, N., Warih, M., dan Shaufiah. 2011.
Analisis dan Implementasi Klasifikasi Data Mining Menggunakan Jaringan Syaraf Tiruan dan Evolution Srategies. Bali.
