Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 2, Februari 2017, hlm. 80-84
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika Arviananda Bahtiar 1), Wayan Firdaus Mahmudy 2) Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya, Malang Email :
[email protected],
[email protected]
Abstrak PT. Citra Anggun Pratama adalah perusahaan yang bergerak dibidang konstruksi, salah satu SDM yang terdapat didalamnya adalah pekerja bangunan / tukang. Permasalahan yang sering temui dalam perusahaan adalah tidak sesuainya pemilihan tukang terhadap kebutuhan proyek perusahaan yang mengakibatkan terganggunya pengerjaan proyek tersebut. Algoritma genetika merupakan salah satu tipe Algoritma Evolusi (EAs) yang paling populer dan sering digunakan karena kemampuanya dalam memecahkan berbagai macam masalah kompleks, sehingga dapat diterapkan untuk mencari solusi optimal pada permasalahan pemilihan tukang. Proses pencarian solusi pada penelitian ini diawali dengan pembangkitan kromosom yang ditampung dalam populasi, kemudian dilakukan tukar silang dan mutasi untuk mendapatkan generasi baru yang selanjutnya diseleksi untuk mendapatkan individu terbaik. Berdasar hasil pengujian didapatkan hasil terbaik pada ukuran populasi 420, iterasi 150, kombinasi Cr 0.5 dan Mr 0.5 yang merupakan hasil optimal maupun mendekati optimal. Hasil yang didapat merupakan rekomendasi cara dalam pemilihan / penentuan tukang. Kata Kunci : algoritma genetika, optimasi, pekerja bangunan, tukang Abstract PT. Citra Anggun Pratama is a company engaged in construction, one of their human resources are the builders. Problems often encountered in the company is the incompatibility of builder election to the needs of corporate projects that resulted in disruption of the project. Genetic algorithm is one type of Evolutionary Algorithms (EAs) are the most popular and commonly used because of their ability to solve various complex problems, so it can be applied to find optimal solutions to the problems of election workers. Process of finding solutions in this study begins with the generation of chromosome accommodated in the population, then carried the crossover and mutation rate to get the new generation then be selected to get the best solution. Based on test results obtained best results on the population size of 420, 150 iterations, combination of Mr 0.5 and Cr 0.5 which is optimal or near-optimal results. The result is a recommendation in the way of the builder selection. Keywords : genetic algoritms, optimization, construction workers
terbatasnya Sumber Daya Manusia yang ada, organisasi dituntut mengoptimalkan SDM yang kompeten, displin, dan memiliki semangat tinggi dalam menjalankan peran dan fungsinya agar tercapai tujuan organisasi yang
1. PENDAHULUAN Sumber Daya Manusia merupakan aspek paling bernilai pada suatu organisasi atau lembaga institusi lainnnya. Dengan Fakultas Ilmu Komputer Universitas Brawijaya
80
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
telah ditetapkan (Prihantoro, 2012). PT. Citra Anggun Pratama adalah perusahaan yang bergerak dibidang konstruksi. Salah satu SDM yang terdapat dalam perusahaan adalah pekerja bangunan atau tukang. Permasalahan umum yang sering terjadi dalam pemilihan SDM oleh perusahaan adalah ketidaksesuaian keterampilan tukang dengan kebutuhan proyek perusahaan, sehingga menyebabkan pengerjaan proyek terhambat dan membutuhkan waktu lama. (Yan Chen et al, 1996) melakukan penelitian untuk menyelesaikan masalah alokasi pekerja radiologi menggunakan algoritma genetika. Penelitian serupa mengenai optimasi model penugasan dosen dengan algoritma genetika juga telah dilakukan (Mahmudy, 2006). Sedangkan Cheng dan Wei (2011) menerapkan penyortiran rokok oleh pekerja pengisian rokok. Dari beberapa penelitian tersebut, algoritma genetika dapat digunakan untuk masalah optimasi dalam penentuan pekerja. Tujuan dari penelitian ini adalah membangun sebuah sistem optimasi menggunakan algoritma genetika untuk menentukan / memilih pekerja bangunan pada PT. Citra Anggun Pratama, dan diharapkan dapat membantu meminimalisir kesalahan dalam pemilihan pekerja bangunan. 2. METODE 2.1. Sumber Data Sumber data yang digunakan pada penelitian ini merupakan data primer hasil wawancara pada PT. Citra Anggun Pratama oleh Abu Bakar (2015). Dari data primer tersebut kemudian didapat nilai kompetensi tukang untuk setiap jenis pekerjaan. Nilai kompetensi tukang inilah yang akan diproses dengan Algoritma Genetika. Tabel 1 Sample Data Uji No
Baja
Batu
Besi
Kayu
Listrik
1
30
10
20
0
0
2
16
0
12
4
8
3
0
53.33
0
26.66
0
Fakultas Ilmu Komputer, Universitas Brawijaya
81
4
26.66
0
53.33
0
0
5
20
30
10
0
0
2.2. Algoritma yang Digunakan Algortima yang digunakan adalah algoritma genetika dengan mengacu siklus yang digunakan pada penelitian penjadwalan kapal oleh Wijayaningrum dan Mahmudy (2016). 3. ALGORITMA GENETIKA Algoritma Genetika adalah salah satu jenis dari Algoritma Evolusi yaitu jenis algoritma yang meniru proses evolusi biologi dimana penentuan solusi menggunakan optimasi pemilihan dari sejumlah solusi alternatif dengan memenuhi sejumlah batasan tertentu (Mahmudy, 2014; Gen dan Cheng, 2000). 3.1. Representasi kromosom dan fitness Siklus awal algoritma genetika diawali dengan pembangkitan himpunan individu / solusi baru secara acak berupa kromosom yang terdiri dari susunan gen. Misal dibangkitkan kromosom secara permutasi, yaitu permutasi-k dari n benda, pada permasalahan ini diambil permutasi 5 dari total 62 pekerja. Jadi jika terdapat 5 pekerja bangunan (tukang) dan 5 jenis pekerjaan dimana 1 pekerjaan hanya butuh 1 tukang, maka bentuk kromosom yang dihasilkan sebagai berikut.
Gambar 1. Kromosom Panjang kromosom sesuai dengan banyaknya tukang. Angka pada tiap gen merupakan nomer tukang. Dari gambar 1 bisa dibaca tukang 15 untuk pekerjaan 1, tukang 54 untuk pekerjaan 2, tukang 23 untuk pekerjaan 3, dan seterusnya. Pada permasalahan pemilihan pekerja bangunan / tukang, nilai kompetensi tukang terhadap tiap jenis pekerjaan menunjukkan tingkat keahlian tukang tersebut. Semakin besar nilainya maka menunjukkan tukang
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
tersebut semakin kompeten / ahli terhadap suatu jenis pekerjaan. Maka nilai fitness yang berlaku adalah : Fitness = total nilai kompetensi 3.2. Inisialisasi Inisialisasi merupakan proses pembangkitan himpunan solusi baru secara acak yang terdiri dari kromosom dan ditempatkan pada penampungan yang disebut populasi. Ukuran populasi harus ditentukan terlebih dahulu sebelum melanjutkan proses perhitungan algoritma genetika 3.3. Crossover Tukar silang (crossover) adalah proses menyilangkan parent yang akan menghasilkan jumlah offspring berdasar nilai tingkat crossover terhadap ukuran populasi. Tingkat crossover (crossover rate / cr) harus sudah ditentukan sebelum menjalankan perhitungan crossover. Metode crossover yang digunakan adalah one cut point crossover, yaitu memilih satu titik potong secara acak dan menukar daerah setelah titik potong antar parent. 3.4. Mutasi Sama halnya dengan crossover, mutasi dilakukan untuk mendapatkan offspring / keturunan. Tingkat mutasi (mutation rate / mr) harus ditentukan terlebih dahulu sebelum dilakukan perhitungan mutasi. Metode mutasi yang digunakan adalah dengan cara menukar 2 titik secara acak. 3.5. Evaluasi dan Seleksi Proses terakhir dalam algoritma genetika adalah evaluasi dan seleksi. Evaluasi adalah proses perhitungan nilai kebugaran (fitness). Semakin besar fitness maka semakin baik pula suatu chromosome untuk dijadikan solusi. Sedangkan seleksi adalah pemilihan individu/chromosome dari himpunan populasi dan offspring yang dipertahankan hidup pada generasi berikutnya. Semakin besar nilai fitness maka semakin besar peluangnya terpilih. Metode Seleksi yang digunakan adalah menghitung nilai probabilitas (prob)
Fakultas Ilmu Komputer, Universitas Brawijaya
seleksi tiap fitnessnya.
82 individu
berdasarkan
nilai
4. HASIL DAN PEMBAHASAN 4.1. Uji Coba Ukuran Populasi Uji coba terhadap ukuran populasi dilakukan untuk mengetahui berapa ukuran populasi optimal dalam pencarian solusi. Kasus uji coba kebutuhan tukang sebanyak 60 tukang. Ukuran populasi yang digunakan setiap kelipatan 60 dimulai dari 60 sampai 600. Setiap ukuran populasi diuji sebanyak 10 kali lalu diambil rata-rata fitnessnya. Parameter genetika yang digunakan adalah iterasi 1, cr 0.6, mr 0.4.
Gambar 2 Hasil Uji Coba Ukuran Populasi Berdasar grafik uji coba populasi didapat hasil ukuran populasi 420 dengan fitness 1454.862 merupakan solusi mendekati optimal yang mencapai kondisi konvergen, dimana terjadi kenaikan dan penurunan fitness tapi tidak signifikan (Mahmudy, 2016). Uji coba populasi diatas 600 tetap akan akan menghasilkan kenaikan dan penurunan fitness namun dengan waktu yang cukup lama. 4.2. Uji Coba Banyak Generasi Uji coba terhadap banyak generasi / iterasi dilakukan untuk mengetahui berapa banyak iterasi dilakukan untuk mendapat hasil optimal dalam pencarian solusi. Kasus uji coba kebutuhan tukang sebanyak 60 tukang Banyak generasi yang digunakan setiap kelipatan 50 dimulai dari 50 sampai 250. Setiap banyak generasi diuji sebanyak 10 kali lalu diambil rata-rata fitnessnya. Parameter yang digunakan adalah ukuran populasi 420, cr 0.6, mr 0.4.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
83
kombinasi 0.5 , 0.5 kemudian terus terjadi penurunan nilai fitness. 4.4. Uji Coba Parameter Terbaik
Gambar 3 Hasil Uji Coba Banyak Generasi Berdasar grafik uji coba banyak generasi didapat hasil banyak generasi / iterasi ke 150 dengan fitness 2518.839 merupakan solusi mendekati optimal. Pengujian dihentikan pada iterasi ke 250 karena tidak terjadi perubahan nilai fitness yang signifikan dan waktu proses program yang cukup lama. 4.3. Uji Coba Kombinasi cr dan mr Uji coba terhadap terhadap kombinasi Cr dan Mr dilakukan untuk mengetahui tingkat crossover (Cr) dan tingkat mutasi (Mr) optimal dalam pencarian solusi. Kasus uji coba kebutuhan tukang sebanyak 60 tukang . Kombinasi Cr dan Mr dimulai dari 0 – 1 dan sebaliknya. Setiap kombinasi diuji sebanyak 10 kali lalu diambil rata-rata fitnessnya. Parameter yang digunakan pada uji coba ini ukuran populasi 420, iterasi 150.
Berdasar uji coba parameter yang telah dilakukan sebelumnya yaitu ukuran populasi, banyak generasi, dan kombinasi Cr dan Mr, didapat titik optimal yang menunjukkan fitness terbaik. Nilai tersebut memberikan rekomendasi dalam pemilihan pekerja bangunan / tukang pada PT. Citra Anggun Pratama. Berdasar nilai terbaik setiap parameter yaitu ukuran populasi 420, banyak generasi 150, cr 0.5, dan mr 0.5, jika dibutuhkan tukang sebanyak 60 dengan pembagian baja 20, batu 22, besi 10, kayu 4, dan listrik 4 maka solusi yang dihasilkan : Tabel 2 Hasil Solusi Pemilihan Pekerja Bangunan
Tabel 2 menunjukkan rekomendasi tukang yang sesuai untuk setiap jenis pekerjaan. sususan tukang dapat berubah tergantung kebutuhan yang diperlukan.
5. SIMPULAN
Gambar 4 Hasil Uji Coba Kombinasi cr dan mr Berdasar grafik uji coba kombinasi Cr dan Mr didapat hasil Cr 0.5 dan Mr 0.5 dengan fitness 2469.77 merupakan kombinasi yang optimal dalam pencarian solusi. Terlihat dari peningkatan nilai fitness dari awal hingga
Fakultas Ilmu Komputer, Universitas Brawijaya
Pada penelitian ini Algoritma Genetika berhasil diterapkan untuk pemilihan pekerja bangunan dengan inputan nilai kompetensi tukang kemudian diproses dengan parameter genetika yaitu ukuran populasi, banyak generasi, tingkat crossover (cr) dan tingkat mutasi (mr). Nilai terbaik yang didapat untuk setiap uji coba pada parameter genetika tidak selalu dengan nilai terbesar. Nilai terbaik setiap parameter berdasar hasil uji coba adalah ukuran poulasi sebesar 420, banyak generasi 150, cr sebesar 0,5 dan mr sebesar 0,5. Untuk penelitian selanjutnya diharapkan dapat menggabungkan Algoritma
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Genetika dengan algoritma lain. Menambah data input serta metode lain pada parameter crossover dan mutasi agar mendapat hasil solusi yang lebih variatif. 6. DAFTAR PUSTAKA Chen, Yan et al. 1996. A Genetic Algorithm Approach to optimization for the Radiological Worker Allocation Problem. Health Physics, Vol.70 Cheng, Wen Sun., Wei, Ping Yang. 2011. The Optimization Configuration of Cigarettes Sorting Replenishment Workers Based on Genetic Algorithm. ICIII, Vol.2 Gen, M & Cheng, R. 2000, Genetic Algorithms and Engineering Optimization, John Wiley & Sons, Inc., New York. Mahmudy, W. F. 2006. Penerapan Algoritma Genetika Pada Optimasi Model Penugasan. Natural, vol.10 no.3. Malang : Jurusan Matematika FMIPA Universitas Brawijaya
Fakultas Ilmu Komputer, Universitas Brawijaya
84
Mahmudy, W. F. 2014, Optimisation of Integrated Multi-Period Production Planning and Scheduling Problems in Flexible Manufacturing Systems (FMS) Using Hybrid Genetic Algorithms, School of Engineering, University of South Australia. Mahmudy, W. F. 2015. Dasar-Dasar Algoritma Evolusi. Malang: Universitas Brawijaya Prihantoro, Agung. 2012. Peningkatan Kinerja Sumber Daya Manusia Melalui Motivasi, Disiplin, Lingkungan Kerja, dan Komitmen. Jurnal Unimus, vol.8. Semarang : Universitas Muhammadiyah Semaran Wijayaningrum, V. N. & Mahmudy, W. F. 2016, Optimization of Ship’s Route Scheduling Using Genetic Algorithm, Indonesian Journal of Electrical Engineering and Computer Science, vol. 2, no. 1, pp. 180-186.
