Penjadwalan tenaga kerja proyek kereta barang PT

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-4
1
Penjadwalan Tenaga Kerja Proyek Kereta Barang PT.XYZ
menggunakan Algoritma Genetika
Widya Hendrastiti, Wiwik Anggraeni, S.Si, M.Kom, dan Retno Aulia Vinarti, S.Kom, M.Kom
Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Raya ITS Kampus ITS Sukolilo, Surabaya 60111
E-mail: [email protected]
Abstrak— Penjadwalan tenaga kerja merupakan salah satu
hal penting di dalam dunia industri. Kualitas penjadwalan
tenaga kerja yang dilakukan oleh pihak manajemen
berpengaruh dalam biaya produksi. Oleh sebab itu
diperlukan penjadwalan tenaga kerja yang baik, sehingga
dapat meminimalkan biaya produksi. Hal inilah yang
membuat PT XYZ menjadikan penjadwalan tenaga kerja
menjadi salah satu masalah penting dalam setiap evaluasi
kinerjanya.
Pada penelitian ini, pembahasan meliputi bagaimana
menerapkan metode algoritma genetika untuk model
penjadwalan tenaga kerja pada proyek kereta barang di
PT XYZ. Pemodelan akan dilakukan dengan
menjadwalkan hari libur dan pembagian shift tenaga
kerja. Dengan implementasi algoritma genetika melalui
MATLAB, diharapkan pemodelan tersebut memberikan
solusi berupa jadwal tenaga kerja berdasarkan pada
peraturan yang berlaku pada PT XYZ dan keinginan dari
tenaga kerja (keadilan dalam pembagian hari libur dan
pembagian shift)
Kata Kunci— Optimasi, penjadwalan tenaga kerja, algoritma
genetika
I. PENDAHULUAN
P
ERMASALAHAN yang sering dihadapi dalam industri
seringkali muncul dalam optimasi bidang sumberdaya
manusia. Tidak hanya terkait dengan sumberdaya manusia,
penjadwalan juga akan mempengaruhi produktivitas
manajemen perusahaan [4].Oleh karena itu pemahaman
tentang konsep penjadwalan tenaga kerja menjadi sangat
penting, sehingga tenaga kerja mengetahui kapan waktu harus
memulai suatu pekerjaan dan kapan waktu mengakhirinya.
Penjadwalan tenaga kerja yang baik akan memberikan
dampak positif yaitu efisensi waktu dan efektivitas pekerjaan
sehingga salah satunya adalah mampu menghasilkan biaya
produksi yang minimal.
Penelitian mengenai penjadwalan ini mengambil
studi kasus pada PT. XYZ. PT XYZ merupakan suatu industri
alat transportasi darat di Jawa Timur. Kegiatan bisnis dalam
PT XYZ adalah jasa pembuatan, perawatan serta
pengembangan alat transportasi darat. Jenis alat transportasi
darat yang diproduksi yaitu Micro Car, Articulated Bus, mobil
kesehatan, kereta penumpang dan kereta barang. Namun
penelitian ini hanya berlingkup kereta barang dari PT. XYZ
saja.
Jadwal tenaga kerja pada proyek kereta barang di PT XYZ
hanya melibatkan tenaga kerja tidak tetap yang mendapat upah
harian. Jadwal setiap periode penjadwalan (30 hari) memiliki
hari kerja 7 hari dalam seminggu, bahkan jam kerja 24 jam
dalam sehari. Dalam industri seperti ini, tentunya diperlukan
adanya penjadwalan tenaga kerja, karena tidak mungkin
semua karyawan libur di hari Sabtu dan Minggu. Berdasarkan
pertimbangan keadilan dalam pembagian shift dan hari libur
kerja serta panjangnya jam bekerja akan berdampak pada
kualitas kerja dan kondisi fisik, maka salah satu tantangan
yang dihadapi oleh pihak manajemen adalah masalah
penjadwalan tenaga kerja untuk untuk menentukan jumlah
tenaga kerja yang diperlukan pada setiap hari dan setiap shift,
berdasarkan penjadwalan yang tepat dan cepat, sehingga dapat
memenuhi semua batasan telah ditentukan.
Dengan kemajuan ilmu pengetahuan, masalah penjadwalan
di atas dapat diotomatisasi sehingga memberikan solusi cepat
dan optimal sesuai dengan batasan dan syarat yang sudah
ditentukan. Terdapat beberapa pendekatan dalam menemukan
solusi penjadwalan, yaitu: pendekatan Artificial intelligence ,
Constraint Programming, Mathematical Programming dan
Metaheuristic Methods [1]. Metaheuristic methods merupakan
metode untuk penyelesaian masalah multi variabel, seperti
genetic algorithms, simulated annealing, dan tabu search [3].
Dalam contoh kasus lain seperti penjadwalan perawat,
algoritma genetika memberikan hasil yang baik dalam
permasalahan penjadwalan.
Aldy Gunawan, dkk. [2]
menyelesaikan
masalah
penjadwalan
mata
kuliah
menggunakan tiga metode metaheuristic, yaitu: simulated
annealing (SA), tabu search (TS), dan genetic algorithm
(GA). Dari uji coba yang dilakukan diperoleh hasil bahwa
semua metode metaheuristic dapat menghasilkan solusi yang
sangat baik dibandingkan dengan pengalokasian secara
manual.
Pada penelitian ini, penyelesaian masalah penjadwalan
tenaga kerja di PT XYZ akan diselesaikan dengan algoritma
genetika. Di harapkan dengan menggunakan metode algoritma
genetika ini akan dapat menyelesaikan masalah penjadwalan
tenaga kerja dengan mengatur variabel yang diinginkan.
Variabel yang dimaksud dalam penjadwalan tenaga kerja
adalah tenaga kerja, hari libur dan pembagian shift.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-4
II. URAIAN PENELITIAN
Gambaran umum mengenai penelitian ini akan disajikan
dalam bagan 1 :
Masukan
•Sumber data
•Buku
•Jurnal
•Wawancara
•Website
•Data yang
digunakan
•Profil PT XYZ
•Jadwal tenaga
kerja proyek
kereta barang
PT XYZ
•Batasanbatasan
penjadwalan
Proses
Keluaran
•Identifikasi
penjadwalan
•Implementasi
pada algoritma
genetika
•Hasil Uji Coba
•Uji validasi
Alat Bantu
 MATLAB 7.8.0
 Microsoft Excel 2007
Bagan 1 Gambaran Umum Penelitian
Dalam uraian penelitian ini akan dijelaskan lebih detil
mengenai prosesnya yaitu sebagai berikut :
1)
Identifikasi Penjadwalan
Dalam sebuah industri, baik itu industri manufaktur maupun
jasa, adanya suatu proses penyusunan penjadwalan yang baik
adalah sebuah hal yang penting.Hal ini dikarenakan Efisisensi
penjadwalan tenaga kerja merupakan salah satu cara agar
industri dapat bersaing dengan kompetitor yang pada akhirnya
akan mengurangi production costs [7]. Penjadwalan dapat
diartikan sebagai pengalokasian sejumlah resources (sumber
daya) untuk melakukan sejumlah tugas dalam jangka waktu
tertentu. Secara umum penjadwalan merupakan suatu
permasalahan dalam hal melakukan sequencing terhadap
sejumlah operasi dan mengalokasikannya ke dalam slot waktu
tertentu tanpa melanggar technical constraints (batasan teknis)
dan capacitive constraints (keterbatasan kapasitas yang
dimiliki).
Penjadwalan tenaga kerja menggambarkan proses dari
jadwal optimal untuk tenaga kerja. Proses ini dimulai dengan
penentuan persyaratan tenaga kerja dan berakhir dengan
alokasi setiap individu untuk tugas tertentu selama periode
waktu. Peraturan kerja yang terkait dengan perjanjian kerja
yang relevan harus diamati dan pekerjaan individu harus
dihargai selama proses ini.
2
A. Identifikasi Penjadwalan Tenaga Kerja Proyek Kereta
Barang PT XZY
Dalam tahap awal identifikasi penjadwalan tenaga kerja ini
digunakan sumber data nyata dari PT XYZ. Identifikasi
meliputi pemahaman masalah penjadwalan tenaga kerja dan
faktor-faktor yang mempengaruhi penjadwalan tersebut, yaitu
jumlah hari dan jumlah tenaga kerja yang dijadwalkan, jumlah
kebutuhan tenaga kerja dalam setiap shift, serta jumlah setiap
shift untuk setiap tenaga kerja. Pada penjadwalan tersebut
terdapat informasi mengenai batasan-batasan yang dibutuhkan
yaitu, jumlah tenaga kerja yang dijadwalkan, jumlah hari yang
dijadwalkan, pembagian libur dan shift tenaga kerja.
Identifikasi penjadwalan ini dilakukan dengan memetakan
batasan-batasan yang dapat diselesaikan menggunakan
algoritma genetika. Hal ini akan memudahkan dalam
pembuatan model dalam pengerjaan tahap berikutnya.
B. Pembuatan Model
Pembuatan model mengacu pada kebutuhan dan batasanbatasan yang akan digunakan dalam penjadwalan proyek
kereta barang PT XYZ. Pembuatan model dilakukan dengan
menggunakan alat bantu Microsoft Excel 2007. Model yang
perlu didefinisikan pada proses kali ini yaitu terkait dengan
meminimumkan varians [5] dari jumlah libur dan pembagian
shift yang diterima oleh setiap tenaga kerja.
Minimum varians didapatkan jumlah setiap shift dan jumlah
libur yang diterima. Total perhitungan varians akan
diformulasikan sebaga berikut:
dengan,
minVarians =
+
=
=
=
=
=
=
=
=
+
+
∑
(
−
)
(1)
∑
(
−
)
(2)
∑
(
∑
(
−
−
)
)
(3)
(4)
Persamaan (1),(2),(3) dan (4) adalah nilai varians dari
jumlah shift pagi, siang malam dan hari libur. Variable ini
ditambahkan untuk mengevaluasi keseimbangan perolehan
shift dan hari libur pada setiap tenaga kerja pada jadwal yang
akan dibangun.
2) Implementasi pada Algoritma Genetika
Pada
tahap
ini
penulis
mengimplementasikan
algoritmadengan
menggunakan
bahasa
pemrograman
MATLAB, sesuai dengan model matematis yang telah
diformulasikan pada tahap sebelumnya. Untuk menyelesaikan
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-4
3
penjadwalan dengan metode algoritma genetika dibutuhkan
beberapa data masukan antara lain :

Jumlah tenaga kerja

Jumlah hari yang dijadwalkan

Shift tenaga kerja

Libur tenaga kerja
A. Menentukan Kromosom
Dalam algoritma genetika, representasi kromosom
merupakan bagian yang penting, karena satu kromosom
mewakili satu solusi.Masing-masing kromosom berisi
sejumlah gen dimana dalam satu gen akan mewakili satu
variabel. Digunakan bilangan asli positif dalam pengkodean
gen dalam penelitian
ini dengan populasi (Npopsize)
sebanyak jumlah tenaga kerja yang diwakilkan dengan
kromosom, dimana setiap kromosom memuat solusi yang
mungkin dan kromosom tersebut merepresentasikan jadwal N
tenaga kerja selama T hari.
Tabel 1 Representasi Kromosom
i=1
i=2
i=3
....
i=N
t=1
1
2
1
....
1
t=2
3
2
1
....
1
t=3
3
4
2
....
1
....
....
....
....
....
....
t=T
3
2
2
....
4
Keterangan :
t
= hari keT
= jumlah hari yang dijadwalkan
i
= pekerja keN
= jumlah pekerja
Pada tabel 4.1.2 menunjukkan matriks NxT yang merupakan
jadwal kerja dan libur tenaga kerja yang telah diubah kedalam
bentuk kromosom. Kromosom ini terdiri dari empat jenis gen:
1. Gen=1, pekerja i mendapat giliran shift pagi di hari t
2. Gen=2, pekerja i mendapat giliran shift siang di hari t
3. Gen=3, pekerja i mendapat giliran shift malam di hari t
4. Gen=4, pekerja i mendapat libur di hari t
B. Crossover
Crossover merupakan operator utama algoritma genetik
yang mengkombinasikan dua kromosom orang tua untuk
mendapatkan kromosom baru. Pemilihan orang tua pada
proses crossover ini, dilakukan secara random tanpa
memperhatikan nilai fitness. Hal ini dilakukan karena
pembangkitan populasi awal juga dilakukan secara random,
sehingga belum ada populasi terbaik yang memenuhi batasan.
C. Mutasi
Mutasi digunakan untuk memodifikasi gen. Modifikasi
dilakukan tergantung dari informasi gen. Apabila gen tersebut
melanggar batasan, maka memiliki peluang untuk
dimodifikasi. Modifikasi gen pada penelitian ini terdiri dari
modifikasi gen libur dan modifikasi shift tenaga kerja.
III. HASIL UJI COBA DAN PEMBAHASAN
Pada bagian ini akan dijelaskan hasil uji coba masalah
penjadwalan tenaga dengan menggunakan algoritma genetika
yang telah disesuaikan dengan kasus nyata pada proyek kereta
barang di PT.XYZ serta akan dilakukan uji validasi dari
algoritma yang telah dikembangkan.
Hasil Uji Coba
Pengambilan parameter masukan pada proses algoritma
genetika ini digunakan sebagai petunjuk awal untuk uji coba.
Sehingga nilai-nilai parameter juga digunakan untuk evaluasi
program yang dapat menghasilkan nilai optimal. Pembahasan
hasil uji coba parameter penjadwalan tenaga kerja meliputi
analisis pengaruh parameter dalam penelitian ini
dikelompokkan menjadi 3 bagian, yaitu:
 Pengaruh perubahan crossover (pc) terhadap nilai
varians
 Pengaruh iterasi maksimum (itmax) terhadap nilai
varians
 Pengaruh ukuran populasi (pop_size) terhadap
nilai varians
Uji coba pertama adalah dengan jumlah 80 tenaga kerja,
itmax= 500 dan pop_size =250 dengan nilai pc yang berbeda.
Setiap pc, dilakukan 5 kali percobaan sehingga diperoleh nilai
rata varians seperti pada tabel di bawah ini:
Tabel 2 Uji Coba Pertama
pc
N
itmax
pop_size
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
80
80
80
80
80
80
80
80
80
500
500
500
500
500
500
500
500
500
250
250
250
250
250
250
250
250
250
rata
varians
17,2963
16,9700
16,8344
16,9563
16,9063
16,6375
16,9550
16,8513
16,8038
Dari hasil uji parameter diatas, diketahui bahwa kombinasi
paramater peluang crossover, jumlah tenaga kerja, iterasi
maksimum, dan ukuran populasi, yang terbaik adalah pada
tabel 5.1 dengan peluang crossover 0.9, yang menghasilkan
nilai rata varians sebesar 16,8038.
Uji coba kedua adalah dengan jumlah 100 tenaga kerja,
itmax= 1000 dan pop_size =500, sehingga diperoleh nilai
varians seperti pada tabel 5.2 di bawah ini:
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-4
4
Tabel 3 Uji Coba Kedua
1.
pc
N
itmax
pop_size
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
100
100
100
100
100
100
100
100
100
1000
1000
1000
1000
1000
1000
1000
1000
1000
500
500
500
500
500
500
500
500
500
Rata
varians
17,3020
17,2300
17,0925
16,7310
16,8020
16,7720
17,2220
16,8460
16,6630
1.
2.
3.
4.
Dari hasil uji parameter diatas, diketahui bahwa kombinasi
paramater peluang crossover, jumlah tenaga kerja, iterasi
maksimum, dan ukuran populasi, yang terbaik adalah pada
tabel 5.2 dengan peluang crossover 0.9, yang menghasilkan
nilai varians sebesar 16,663.
Uji coba ketiga adalah dengan jumlah 100 tenaga kerja,
itmax= 1000 dan pop_size =500, sehingga diperoleh nilai rata
varians seperti pada tabel 5.3 di bawah ini:
[1]
Tabel 4 Uji Coba Ketiga
[3]
pc
N
itmax
pop_size
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
150
150
150
150
150
150
150
150
150
1500
1500
1500
1500
1500
1500
1500
1500
1500
750
750
750
750
750
750
750
750
750
Rata
varians
17,2963
16,9700
16,8344
16,9563
16,9063
16,6375
16,9550
16,8513
16,8038
Dari hasil uji parameter diatas, diketahui bahwa kombinasi
paramater peluang crossover, jumlah tenaga kerja, iterasi
maksimum, dan ukuran populasi, yang terbaik adalah pada
tabel 5.3 dengan peluang crossover 0.8, yang menghasilkan
nilai varians sebesar 16,6225.
Dari hasil uji coba yang telah dilakukan, ukuran populasi
ukuran populasi berpengaruh pada nilai varians walaupun
relatif kecil. Hal tersebut terjadi karena setiap menjalankan
program, tidak akan selalu menjamin hasil yang diperoleh
sama dengan sebelumnya, dapat juga hasil yang diperoleh
akan lebih baik dari sebelumnya atau sebaliknya. Untuk iterasi
maksimum, semakin besar nilai iterasi maksimum, nilai
varians cenderung menurun. Sehingga dihasilkan solusi yang
lebih optimal.
IV. KESIMPULAN
Tugas Akhir tentang optimasi penjadwalan tenaga kerja PT.
XYZ menggunakan metode algoritma genatika ini
memberikan hasil sebagai berikut:
Pembangkitan
bilangan
secara
acak
memungkinkan tersedianya banyak pilihan solusi
Kromosom terbaik kemungkinan terlibat pada
proses reproduksi karena dipengaaruhi dengan
pembangkitan bilangan acak
Pengkodean kromosom dapat dilakukan secara
bebas sesuai dengan permasalahan yang dihadapi
Operator kawin silang digunakan untuk
mendapatkan kromosom anak lebih baik daripada
kromosom orang tua
Proses mutasi sangat tepat digunakan untuk
penjadwalan shift karena perubahan sedikit urutan
pada kromosom berpengaruh besar pada jadwal
yang dihasilkan karena mempengaruhi urutan shift.
DAFTAR PUSTAKA
[2]
[4]
[5]
A.T. Ernst, H. J. (2004). Staff scheduling and rostering: A review of
applications, methods and models. European Journal of Operational
Research , 4-27.
Aldy Gunawan, H. L. (2004). APPLYING METAHEURISTICS FOR
THE COURSE SCHEDULING PROBLEM. Proceedings of the Fifth
Asia Pacific Industrial Engineering and Management Systems
Conference 2004 (pp. 2.4.1-2.4.14). Surabaya: Apiems.
Haupt, R. L., & Haupt, S. E. (2004). Practical Genetic Algorithms. New
Jersey.: John Wiley & Sons, Inc.
J.O.Brunner. (2010). Flexible Shift Planning in the Service Industry,
Lecture Notes. Berlin: Springer.
Walpole, R. E. (1995). Pengantar Statistika Edisi ke-3. Jakarta:
Gramedia Pustaka Utama.