Fakultas Ilmu Komputer
Optimasi Penjadwalan Jam Kerja Part Time menggunakan Algoritme
Genetika (Studi Kasus: Haga Coffee Shop Malang)
Angky Christiawan Rongre1, Budi Darma Setiawan2, Randy Cahya Wihandika3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Haga coffee shop menyediakan berbagai jenis minuman menggunakan kopi sebagai bahan dasarnya selain itu terdapat juga berbagai macam minuman selain kopi seperti cokelat dan green tea dan memiliki tiga outlet. Haga coffee shop ini juga membuka part time bagi mahasiswa yang ingin mengisi waktu senggangnya di sela kuliah dan uang jajan tambahan serta menambah keahlian didunia kerja menjadikan
part-time sebagai opsi mahasiswa banyak. Hal ini yang membuat manager dari Haga coffee shop
dituntut untuk dapat menciptakan jadwal kerja part-time yang tidak bentrok dengan jadwal kuliah dari pegawainya atau mahasiswa. Penjadwalan adalah aktifitas dalam menemukan jalan keluar dari permasalahan agar terciptanya pengoptimalan suatu jadwal. Algoiritme genetika adalah salah satu metodeedalam menemukan penyelesaian untuk masalah penjadwalan yang sudah sering digunakan para peneliti. Digunakannya algoritme genetika terhadap 8 pegawai Haga coffee shop dengan jumlah dari populasi 150, jumlah generasinya 50 serta kombinasi Cr 0,2 & Mr 0,9 menjadi rerata nilai dari fitness paling baik.
Kata kunci: penjadwalan, partime,,algoritme genetika Abstract
Haga coffee shop is a coffee shop that provides various types of drinks using coffee as a basic ingredient besides that there are various kinds of drinks besides coffee such as chocolate and green tea and has three outlets. Haga coffee shop also opens part time for students who want to fill their free time between lectures free time between classes and additional allowance also adds expertise in the work world to make part time according to the choices of many students. This makes the manager of Haga coffee shop required to be able to make part-time work schedules that are not convoluted with the lecture schedules of their employees or students. Scheduling is the activity of finding a path that is in line with expectations in order to create an optimized visit schedule. Genetics algorithms is one method in finding solutions to scheduling problems that are often used by researchers. Genetic algorithms were used for 8 employees of Haga coffee shop with a population of 150, the number of generation 50 and combinaton Cr 0,2 & Mr 0,9 were the besst fitness values.
Keywords: Scheduling, Partime, algorithm Genetic
1. PENDAHULUAN
Penjadwalan adalah aktivitas menemukan jalan keluar dari permasalahan agar terciptanya jadwal optimal (Mawaddah & Mahmudy, 2006). Namun kerap kali proses penjadwalan ini dilakukan secara manual sehingga sering ditemukan kesulitan khususnya saat pembagian jadwal pegawai.
Haga coffee shop merupakan coffee shop yang menyediakan berbagai jenis minuman menggunakan kopi sebagai bahan dasarnya selain itu terdapat juga berbagai macam
minuman selain kopi seperti cokelat dan green
tea dan memiliki tiga outlet. Haga coffee shop ini
juga membuka part time bagi mahasiswa yang ingin mengisi waktu senggangnya di sela kuliah. Hal ini yang membuat manager dari Haga
coffee shop dituntut untuk dapat menciptakan
jadwal kerja part-time yang tidak bentrok dengan jadwal kuliah dari pegawainya atau mahasiswa. Manager juga harus mampu dalam menentukan jadwal kerja dengan porsi jam kerja yang sama untuk semua pegawai. Untuk pembagian waktu kerja di Haga coffee shop diawali shift pagi pukul 06.00-10.00. kemudian
Fakultas Ilmu Komputer, Universitas Brawijaya
dilanjut shift siang pukul 11.00-16.00 lalu untuk
shift malamnya pada pukul 16.00-21.00 dengan
durasi empat sampai lima jam setiap shiftnya. Mahasiswa juga diharuskan bekerja minimal empat shift dalam satu minggu.
Berdasarkan masalah yang diuraikan tadi menyebabkan manager harus menciptakan jadwal yang yang sesuai dimana akan menghabiskan banyak waktu yang dapat dipakai untuk melakukan kegiatan lain.
2. LANDASAN KEPUSTAKAAN 2.1 Kerja Part Time
Saat ini mahasiswa yang melakukan kerja
part time dikarenakan berbagai macam faktor
seperti permasalahan ekonomi keluarga, mengisi waktu kosong di sela kuliah, mencoba hidup mandiri, hingga menambah pengalaman didunia kerja (Daulay, 2009). Rata-rata jadwal kerja part
time dalam sehari terbagi dari 3 shift, setiap shift
nya berdurasi 3-5 jam tergantung kebijakan setiap cafe.
2.2 Optimasi
Optimasi adalah cara dalam mencari solusi paling baik menggunakan nilai minimal dan maksimal dalam fungsi objektif pada suatu solusi area ditengah beberapa solusi terutama pada ilmu komputer dan matematika (Black, 2001).
2.3 AlgoritmehGenetika
Algoritmea Genetikaa merupakan percabangan algoritmahevolusi menggunakan penerapan berdasarkan genetika alami. Algorime genetika menggunakan fungsi probabilistik pada beberapa alternatif titik optimal agar mendapatkan solusi optimal pada proses pencariannya. John Holland menghadirkan algoritme genetika dalam mengatasi masalah optimasi. Yang mengikuti proses evolusi biologis dalam mencari individu terbaik pada kawasan yang disebut populasi. Fungsi fitness menjadi dasar untuk mengevaluasi dalam memilih individu pada sebuah populasi. Pengoptimasian jadwal produksi pada bidang industri merupakan representasi dari penggunaan algoritme genetika (Mahmudy, et al., 2014).
3. METODOLOGI
Alur penelitian atau metodologi dilaksanakan pada penelitian ini dapat dilihat dari diagram di Gambars1.
.
Gambare1 Alur Penetilian 4. PERANCANGANl
4.1 Siklus Penggunaan Algoritme Genetika dalam Penyelesaian Masalah
Melakukan hitungan manual terhadap penjadwalan pegawai part time dilakukan pada 8 pegawai dan banyaknya hari yakni 7 hari. Untuk tiap harinya antara lain shift pagi, siang, dan malam. Dengan jumlah popSize sejumlah 3. Dan untuk Crnya 0,6 sedangkan Mrnya 0,5.
4.2 Represensi kromosoma& menghitung nilai fitnesss
Dalam penelitian ini direpresentasikan kedalam bilangan integer. Terdapat 8 pegawai
part-time di Haga coffee shop yang mana untuk
tiap harinya dibagi menjadi 3 shift yakni 2 pegawai untukkpagi, 3 pegawai untuklsiang dan malam..Sehingga dapat dihitung total gen untuk setiap individu dengan cara mengkalikan total hari dalam seminggu dengan total jumlah pegawai 7 x 8 = 56 gen. Penggunaan bilangan integer adalah sebagai representasi angka untuk setiap pegawai. Terlihat pada Tabel 1.
Tabelr1 Reseprentasi Krosomom
shift senin selasa rabu ... minggu
Pagi 2 3 4 ... 7 8 1 3 ... 6 7 6 4 ... 3 Siang 7 4 2 ... 7 5 3 5 ... 4 3 1 3 ... 8 Malam 5 4 3 ... 4 5 1 2 ... 8 4.2 Crossover
Crossover (two cut point) menjadi metode
yang digunakan. Dimana pada metode ini akan dipilih 2 titik potong pada setiap individu terpilih sehingga pada setiap individu akan terdiri dari 3 bagian. Yang kemudian pada bagian antara titik potong pertama dan titik potong kedua yang akan saling ditukarkan pada kedua individu tersebut.
Proses crossover two cut point dimulai dengan mencari total offspring yang akan dihasilkan menggunakan rumus Cr x popSize. Sehingga didapatkan hasil offspring yaitu 0,6 x 3 = 1,8 = 2. Lalu akan dipilih dua individu pada
popSize untuk menjadi parent 1 dan parent 2
yang nantinya akan dilakukan persilangan pada kedua individu tersebut. Ketika sudah didapatkan individu untuk proses persilangan maka selanjutnya menentukan titik potong pada setiap individu secara random. Dapat dilihat pada Gambar 2.
4.3 Mutation
Metode mutation reciprocal exchange dimulai dengan penentuan total offspring yang akan dihasilkan dengan cara melakukan perkalian antara Mr dan popSizet0,5 x03 = 1,5 digenapi 2. Setelah itu akan dipilih individu
random yang mana akan dipilih dua titik untuk
dipakai saat proses penukaran individu itu. Dilihat dari Gambar 3.
Gambar 3 Diagram alir Mutation (reciprocal exchange)
4.4 Seleksi
Metode elitism selection dipakai dalam melakukan seleksi terhadap fitiness yang dibandingkan bersama seluruh nilai fitness dari
popSize dan offspring maka individu dengan
nilai fitness besar akan dipertahankan. Dikarenakan total popSize yang sudah ditentukan berjumlah 3 maka generasi selanjutnya 3 indivdu dengan angka fitness terbesar.
Melakukan penghitungan nilai fitness
berdasarkan nilai penalti pada setiap kromosom yang sudah dibentuk. Untuk penalti itu sendiri terdapat 2 jenis penalti diantaranya soft
constraint dan hard constraint. Pada setiap
penalti memiliki nilai konstanta yang tidak sama.
Soft constraint mempunyai konstanta penalti
lebih rendah daripada hard constraint. 5. IMPLEMENTASI
Bab ini Menerangkan mengenai program yang diimplementasi pada optimasi penjadwalan dengan menerapkan algoritme genetika.
Fakultas Ilmu Komputer, Universitas Brawijaya
Inisialisasi populasi , reproduksi serta penghitungan nilai Fitness dan seleksi merupakan bagian bagian yang dijelaskan pada program ini.
5.1 Pengujian Populasi
Pada proses ini agar menghasilkan populasi paling baik maka percobaan 10 kali dilakukan pada\ nilai populasi dimana bertambah sebanyak kelipatan 10 hingga nilai populasi mencapai 150. Penggunaan parameternya antara lain Cr&Mr masing masing 0,6 & 0,5 serta generasinya berukuran 10. Pengujian nilai populasi dapat dilihat pada Gambar 4 dan Tabel 2.
Tabel 2 PengujianopopSize
Gambar 4 Graphic PengujianiPopsize Tabel 2 dapat dilihat jadwal pegawai Haga
coffee shop untuk 1 minggu yang didapatkan
dengan menggunakan parameter popSize
terbaik yaitu dengan jumlah populasi 150. Namun pada tabel tersebut masih ditemukan pelanggalaran ringan maupun berat. Dimana terdiri P1= 0, P2 = 2, P3 = 2, P4 = 3. Sehingga jadwal tersebut masih belum bisa dikatakan optimal.
5.2 Pengujian Generasi
Percobaan sejumlah 10 kali pada tiap generasi dimana akan terus bertambah 10 untuk setiap generasi hingga mencapai 100. Agar didapatkan jumlah generasi yang paling baik. Penggunaan parameter untuk pengujian ini antara lain 150 untuk nilai populasinya sementara masing masing Cr 0,6 & 0,5 untuk Mr. Dilihat pada Gambar 5 dan Tabel 3.
Tabel 3 Pengujian Generasi
Gambar 6 Graphic Pengujian Generasi Tabel 3 dapat dilihat jadwal pegawai Haga coffee shop untuk 1 minggu yang didapatkan dengan menggunakan parameter generasi terbaik yaitu dengan jumlah generasi 50. Dan pada jadwal tersebut tidak ditemukan pelanggalaran ringan maupun pelanggaran berat. Dimana terdiri dari P1 = 0, P2 = 0, P3 = 0, P4 = 0. Sehingga jadwal tersebut bisa dikatakan optimal.
5.3 Pengujian Cr & Mr
Tabel 4 dan Gambar 7 melihatkan Cr & Mr yang dirancangkan. Pada pengujian ini memakai parmeter dahulunya antara lain 150 untuk nilai populasinya sedangkan untuk ukuran generasi adalah 50. Agar didapatkan Cr&Mr terbaik. Kombinasi dilakukan rentang 0,1 hingga 1,0.
0 0,2 0,4 0,6 0,8 1 1,2 10 20 30 40 50 60 70 80 90 100
Tabel 4 Pengujianakombinasi Cr&Mr
Gambar 7 Pengujianakombinasi Cr&Mr Pada Tabel 4 dapat dilihat jadwal pegawai Haga
coffee shop untuk 1 minggu yang didapatkan
dengan menggunakan parameter Cr & Mr terbaik yaitu dengan masing masing Cr 0,1 dan
Mr 1,0. Dan pada jadwal tersebut tidak
ditemukan pelanggalaran ruingan maupun buerat. Dimana terdiri dari P1 = 0, P2 = 0, P3 = 0, P4 = 0. Sehingga jadwal tersebut bisa dikatakan optimal.
6. KESIMPULAN
Penerapan algoritme genetika pada Optimasi Penjadwalan Jam Kerja Part-Time Menggunakan Algoritme Genetika (Studi Kasus: Haga Coffee Shop Malang) bisa diambil kesimpulan antara lain:
1. Algoritme genetika efektif dalam pengoptimasian melauli penggunaan kromosom permutasi. Dengan menggunakan panjang kromosom sebesar 56 dibagi menjadi shift kerja selama seminggu untuk 8 pegawai. Dan menerapkan metode reproduksinya
crossover (two cut point) dan mutation (reciprocal exchange), serta elitism
untuk proses seleksinya.
2. Agar menemukan solusi akhir terbaik maka harus ditentukan parameter yang baik. Parameter ditentukan dengan menguji jumlahppopulasi, generasi dan pengkombinasian Cr&Mr. Berdasarkan hal tersebut untuk setiap parameter yang diujikan dihasilkan rerata nilai fitness
paling baik diantaranya, jumlah populasi sebanyak 150. Jumlah generasi yakni 50 dan Cr = 0,2 dan Mr = 0,9.
3. Berdasarkan hasil pengujian dapat dilihat penggunaan parameter yang terbaik menghasilkan invididu dengan nilai fitness 1. Hal ini terjadi karena individu itu tidak ada yang melanggar
soft maupun hard constraint yang sudah
ditentukan. Sehingga mampu memberikan solusi pengoptimasian jadwal kerja part time untuk Haga coffee
shop.
7. DAFTAR REFERENSI
Ilmi, R. R., Mahmudy, W. F. & Ratnawati, E. D., 2015. OPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN. DORO:
Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, 5(13).
Mahmudy, W. F., 2013. Algoritma Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya.
Mahmudy, W. F., Marian, R. & Luong, L., 2014. Hybrid Genetic Algorithms For Part Type Selection And Machine Loading Problems With Alternative Production Plans In Flexible Manufacturing System. ECTI
Transactions on Computer and Information Technology (ECTI‐ CIT),
8(1), pp. 80-93.
Muhlenbein, H. & Schlierkamp-Voosen, D., 1993. Predictive models for the breeder genetic algorithm; continuous parameter optimization. Evolutionary Computation, Volume 1, pp. 25-49.
