IMPLEMENTASI ALGORITMA GENETIKA UNTUK MEMPREDIKSI WAKTU DAN BIAYA PENGERJAAN PROYEK KONSTRUKSI

 

JURNAL ILMIAH FIFO                                                                                        P-ISSN 2085-4315 / E-ISSN 2502-8332

 

Implementasi Algoritma Genetika untuk Memprediksi Waktu dan Biaya Pengerjaan Proyek Konstruksi

 

Kevin Krisnandi¹, Halim Agung²

 

¹²Program Studi Teknik Informatika, Fakultas Teknologi dan Desain,

Universitas Bunda Mulia, Jakarta

 

Jl. Lodan Raya No 2, Jakarta 14430

 

e-mail : ²hagung@bundamulia.ac.id

 

ABSTRAK

 

Pada beberapa proyek konstruksi yang dikerjakan oleh beberapa perusahaan memiliki tahapan dalam pengerjaannya. Dalam pengerjaan proyek tentu akan mengalami banyak kendala baik berasal dari internal atau dari eksternal. kendala yang dihadapi adalah waktu dan biaya penyelesaiannya. Untuk menyelesaikan persoalan tersebut maka dip erlukannya sebuah aplikasi yang dapat memprediksi penggunaan biaya dan waktu sehingga proyek yang dikerjakan sesuai dengan harga dan waktu yang telah disepakati. Algoritma yang digunakan untuk membangun aplikasi yang dapat memprediksi waktu dan biaya pengerjaan proyek konstruksi adalah algoritma genetika. Hasil yang diperoleh dalam penelitian ini adalah 98.72% keakuratannya dalam memprediksi waktu dan biaya pengerjaan proyek konstruksi yang dimana aplikasi ini dapat memberikan output berupa hasil prediksi waktu dan biaya pengerjaan proyek konstruksi berdasarkan luas tanah yang di input dan pemilihan kromosom. Kromosom yang dimaksud adalah salah satu pekerjaan dari masing - masing proyek, yang memiliki luas tanah dengan selisih 5 angka dari luas tanah yang di input. Hasil ini didapat dengan total pengujian sebanyak 25 kali pengujian.

 

Kata kunci: Algoritma Genetika, Biaya, Konstruksi, Kromosom, Proyek, Waktu.

 

1.       PENDAHULUAN

 

Perusahaan Konstruksi memiliki tahapan – tahapan dalam pengerjaan suatu proyek konstruksi. Dalam pengerjaan proyek tentu akan banyak kendala yang dihadapi. Kendala tersebut dapat berasal dari internal atau dari dalam maupun dari eksternal atau dari luar. Kendala - kendala ini menyebabkan waktu dan biaya dari suatu proyek menjadi tidak sesuai dengan kesepakatan yang sudah disepakati pada awal perjanjian.

 

Maka dari itu diperlukannya Aplikasi Prediksi Waktu dan Biaya Pengerjaan Proyek Konstruksi agar perusahaan dapat memperkirakan waktu dan biaya yang diperlukan sehingga proyek dapat diselesaikan dengan tepat waktu. Selain memprediksi aplikasi ini juga dapat memberikan solusi kepada Mandor apabila terjadi kendala dalam mengerjakan proyek konstruksi sehingga proyek dapat berjalan sesuai dengan waktu yang telah diprediksikan. Untuk memperoleh hasil yang akurat diperlukannya suatu Algoritma yang digunakan pada Aplikasi Prediksi Waktu dan Biaya Pengerjaan Proyek Konstruksi, yaitu Algoritma Genetika yang membantu perusahaan konstruksi melakukan prediksi waktu dan biaya yang diperlukan dalam menyelesaikan sebuah proyek pembangunan.

 

Peneliti terdahulu membahas mengenai sistem rekomendasi wisata kuliner [1] dan disimpulkan bahwa dalam sistem rekomendasi wisata kuliner dengan menggunakan Algoritma Genetika, nilai fitness terbaik didapatkan dari metode crossover dengan satu titik potong dan mutasi dengan pergeseran gen. Kombinasi metode crossover dan mutasi ini menghasilkan nilai fitness rata-rata sebesar 924. Kemudian dalam penelitian penerapan Algoritma Genetika

 

[2]  pada aplikasi Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara yang menyimpulkan bahwa Metode Neural Network yang parameternya dioptimalkan menggunakan algoritma genetika terbukti mampu menghasilkan nilai rata-rata akurasi yang tinggi yaitu sebesar 97,00% untuk studi kasus deteksi kanker payudara. Sedangkan dalam penelitian yang menerapkan algoritma genetika pada optimalisasi penempatan SVC untuk memperbaiki profil tegangan [3] yang menyimpulkan bahwa injeksi daya reaktif dari SVC menyebabkan penurunan rugi-rugi transmisi dari 148,551 MW dan 1207,757 MVAR menjadi 142,940 MW dan 1145,586 MVAR atau rugi-rugi daya aktif turun sebesar 3,77% dan rugi-rugi daya reaktif turun sebesar 5,15%. Pemasangan SVC juga dapat memperbaiki profil tegangan pada setiap bus pada batas-batas yang ditentukan yaitu antara 0.95 pu dan 1.05 pu. Pada penelitian Usulan Perbaikan Rute pendistribusian beras bersubsidi menggunakan algoritma genetika [4] yang menyimpulkan bahwa terdapat bagian tur yang memiliki urutan rute dan waktu penyelesaian yang sama dengan hasil penentuan tur penelitian sebelumnya. Hal ini terjadi pada tur ke-55 (0-6-0) menggunakan algoritma nearest neigbour sedangkan dalam operasi algoritma genetika terdapat pada tur nomor 22 dengan Pc = 0.2 dan Pm= 0.07.

 

 

 

 

Volume IX/No.2/November/2017	90

JURNAL ILMIAH FIFO                                                                                        P-ISSN 2085-4315 / E-ISSN 2502-8332

 

2.       LANDASAN TEORI

 

 

Algoritma Genetika (AG) [5] adalah suatu algoritma pencarian yang berbasis pada mekanisme seleksi alam dan genetika. Algoritma genetika merupakan salah satu algoritma yang sangat tepat digunakan dalam menyelesaikan masalah optimasi kompleks, yang sulit dilakukan oleh metode konvensional. Sifat algoritma genetika adalah mencari kemungkinan - kemungkinan dari calon solusi untuk mendapatkan yang optimal bagi penyelesaian masalah. Ruang cakupan dari semua solusi yang layak, yaitu obyek - obyek di antara solusi yang sesuai, dinamakan ruang pencarian. Tiap titik dalam ruang pencarian mempresentasikan suatu solusi yang layak. Tiap solusi yang layak dapat ditandai dengan nilai fitness. Algoritma genetika bergerak dari suatu populasi kromosom (bit string yang direpresentasikan sebagai calon solusi suatu masalah) ke populasi baru dengan menggunakan 3 operator yaitu seleksi, crossover dan mutasi. Kromosom - kromosom yang diseleksi menurut nilai fitness masing - masing. Kromosom yang kuat mempunyai kemungkinan tinggi untuk bertahan hidup pada generasi berikutnya, tetapi tidak menutup kemungkinan juga bagi kromosom lemah untuk tetap bertahan hidup. Proses seleksi tersebut kemudian ditentukan oleh kromosom

 

-   kromosom baru (offspring) melalui proses crossover dan mutasi dari kromosom yang terpilih (parents). Dari dua proses tersebut di atas maka terbentuk suatu generasi baru yang akan diulangi terus-menerus hingga mencapai suatu konvergensi, yaitu sebanyak generasi yang diinginkan [5].

 

3.2 Struktur Umum Algoritma Genetika

Algoritma genetika secara umum dapat diilustrasikan dalam diagram alir berikut ini:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Gambar 1 Diagram Alir Algoritma Genetika

 

Algoritma genetika [5] memberikan suatu pilihan bagi penentuan nilai parameter dengan meniru cara reproduksi genetika, pembentukan kromosom baru serta seleksi alami seperti yang terjadi pada makhluk hidup. Variabel dan parameter yang digunakan pada algoritma genetika adalah (a) Fungsi fitness (fungsi tujuan) yang dimiliki oleh masing-masing individu untuk menentukan tingkat kesesuaian individu tersebut dengan kriteria yang ingin dicapai, (b) Populasi jumlah individu yang dilibatkan pada setiap generasi, (c) Probabilitas terjadinya persilangan (crossover) pada suatu generasi, (d) Probabilitas terjadinya mutasi pada setiap individu, (e) Jumlah generasi yang akan dibentuk yang menentukan lama penerapan AG.

 

3.3 Pengkodean

 

Pengkodean adalah suatu teknik untuk menyatakan populasi awal sebagai calon solusi suatu masalah ke dalam suatu kromosom [6] sebagai suatu kunci pokok persoalan ketika menggunakan algoritma genetika. Berdasarkan jenis simbol yang digunakan sebagai nilai suatu gen, metode pengkodean dapat diklarifikasikan sebagai berikut: pengkodean biner, bilangan riil, bilangan bulat dan struktur data.

 

3.4 Operator Genetika

 

Operator genetika digunakan setelah proses evaluasi tahap pertama untuk membentuk suatu populasi baru dari generasi sekarang. Operator - operator tersebut adalah operator seleksi, crossover dan mutasi [5]. Seleksi bertujuan memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang paling fit. Langkah pertama dalam seleksi ini adalah pencarian nilai fitness. Masing-masing individu dalam suatu wadah seleksi akan menerima probabilitas reproduksi yang tergantung pada nilai objektif dirinya sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi tersebut. Nilai fitness inilah yang nantinya akan digunakan pada tahap - tahap seleksi berikutnya

 

[7].  Ada beberapa metode bagaimana memilih kromosom yang sering digunakan antara lain adalah seleksi roda rolet (roulette wheel selection), seleksi rangking (rank selection), dan seleksi turnamen (tournament selection) [5].

 

Volume IX/No.2/November/2017	91

JURNAL ILMIAH FIFO                                                                                        P-ISSN 2085-4315 / E-ISSN 2502-8332

                                

Crossover bertujuan menambah keanekaragaman string dalam satu populasi dengan penyilangan antar string yang diperoleh dari reproduksi sebelumnya. Operator mutasi merupakan operasi yang menyangkut satu kromosom tertentu. Beberapa cara operasi mutasi diterapkan dalam algoritma genetika menurut jenis pengkodean terhadap phenotype, antara lain mutasi dalam pengkodean biner, pengkodean permutasi, pengkodean nilai, dan pengkodean pohon.

 

3.       HASIL DAN PEMBAHASAN

 

3.1 Analisis Kebutuhan Fungsional

 

Berdasarkan permasalahan yang terjadi, dibutuhkan aplikasi prediksi waktu dan biaya pengerjaan proyek konstruksi menggunakan Algoritma Genetika. Aplikasi prediksi, melakukan prediksi berdasarkan data – data dan SOP riil dari perusahaan konstruksi. Data - data yang digunakan mulai dari pembuatan RAB (Rencana Anggaran Biaya) sampai proses pengerjaan pembangunan. Hasil pembuatan RAB sampai proses pembangunan yang diambil dari data asli perusahaan konstruksi, yang kemudian akan dianalisa sehingga dapat menghasilkan prediksi biaya dan waktu yang diperlukan untuk proyek pembangunan selanjutnya.

 

3.2 Tahapan Algoritma Genetika

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Gambar 2 Flowchart Algoritma Genetika (seleksi)

 

Untuk melakukan prediksi user akan mengisi luas tanah yang mau diprediksi kemudian setelah memilih proyek user akan memilih 5 RAB yang akan dijadikan sebagai kromosom untuk diseleksi. Aplikasi akan menentukan nilai fitness kromosom dengan cara menjumlahkan total harga dan total waktu pengerjaan kemudian dibagi 2. Kemudian aplikasi akan melakukan perhitungan total fitness, fitness relatif dan fitness kumulatif. Aplikasi akan membangkitkan 5 buah bilangan acak dengan angka antara 0 sampai 1. Aplikasi akan membandingkan antara bilangan acak dengan nilai fitness kumulatif yang akan menghasilkan kromosom baru dari hasil seleksi.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Gambar 3 Flowchart Algoritma Genetika (crossover)

 

 

 

Volume IX/No.2/November/2017	92

JURNAL ILMIAH FIFO                                                                                        P-ISSN 2085-4315 / E-ISSN 2502-8332

 

Kromosom hasil seleksi akan dilakukan crossover. Menentukan peluang crossover, misalkan Pc = 0.40, yang berarti 40% dari kromosom akan mengalami crossover. Aplikasi akan membangkitkan 5 buah bilangan acak. Kemudian 2 buah kromosom dengan bilangan acak kurang dari nilai peluang crossover akan mengalami crossover. Melakukan crossover dari 2 kromosom induk sehingga menghasilkan keturunan baru.

 

3.3 Flowchart System

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Gambar 4 Flowchart Aplikasi Prediksi

 

Gambar di atas adalah flowchart sistem aplikasi prediksi. Terdapat beberapa tahap dalam melakukan prediksi, yaitu untuk melakukan prediksi user akan mengisi luas tanah yang mau diseleksi. Setelah memilih proyek user akan memilih 5 RAB yang akan dijadikan sebagai kromosom untuk diseleksi. Aplikasi akan menentukan nilai fitness kromosom dengan cara menjumlahkan total harga dan total waktu pengerjaan kemudian dibagi 2. Kemudian aplikasi akan melakukan perhitungan total fitness, fitness relatif dan fitness kumulatif. Aplikasi akan membangkitkan 5 buah bilangan acak dengan angka antara 0 sampai 1. Aplikasi akan membandingkan antara bilangan acak dengan nilai fitness kumulatif yang akan menghasilkan kromosom baru dari hasil seleksi. Kromosom hasil seleksi akan dilakukan crossover. Menentukan peluang crossover, misalkan Pc = 0.40, yang berarti 40% dari kromosom akan mengalami crossover. Aplikasi akan membangkitkan 5 buah bilangan acak. Kemudian 2 buah kromosom dengan bilangan acak kurang dari nilai peluang crossover akan mengalami crossover. Melakukan crossover dari 2 kromosom induk sehingga menghasilkan keturunan baru.

 

3.4 Data Flow Diagram

 

External entity yang terlibat dalam program adalah: Project Manager, Konsultan, User, Mandor dan Purchasing. Project Manager memberikan input dan menerima output data proyek. Konsultan memberikan input dan menerima output data pekerjaan, data solusi dan data masalah. User memberikan input dan menerima output data prediksi. Mandor memberikan input dan menerima output data pekerjaan, data solusi dan data masalah. Purchasing memberikan input dan menerima output data PO.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Gambar 5 Diagram konteks Aplikasi Prediksi

 

Volume IX/No.2/November/2017	93

JURNAL ILMIAH FIFO                                                                                        P-ISSN 2085-4315 / E-ISSN 2502-8332

 

Pada diagram konteks menjelaskan bahwa Project Manager mengisi data proyek pada aplikasi prediksi. Purchasing membuat PO berdasarkan data proyek yang diisi Project Manager yang diterima. Konsultan akan mengisi pekerjaan berdasarkan data proyek yang diterima. Data rincian pekerjaan yang diberikan oleh konsultan akan diterima oleh Mandor. Mandor akan mengerjakan pekerjaan yang diberikan oleh konsultan dan akan memasukkan data waktu penyelesaian pekerjaan. Apabila Mandor mengalami masalah dan masalah tersebut belum ada di dalam daftar masalah maka Mandor akan mengisi masalah baru yang dialami di aplikasi prediksi. Masalah baru yang diisi oleh Mandor akan di terima oleh Konsultan dan Konsultan akan memberikan solusi dari masalah baru tersebut kepada Mandor melalui aplikasi prediksi. Konsultan akan mengisi solusi baru untuk masalah baru yang dialami oleh Mandor di aplikasi prediksi. Aplikasi prediksi akan memberikan solusi dari masalah baru yang dialami oleh Mandor. Untuk melakukan prediksi User harus mengisi data proyek terlebih dahulu terlebih dahulu melalui aplikasi prediksi. Aplikasi prediksi akan memberikan hasil prediksi berdasarkan isian yang diisi oleh User.

 

3.5 Implementasi Algoritma Genetika

 

Proses yang pertama terjadi dalam algoritma genetika adalah proses seleksi. Proses seleksi akan dilakukan dengan cara seleksi pada RAB. Seleksi yang dilakukan menggunakan Roda Rolet dengan cara pertama kali untuk melakukan prediksi user akan memilih proyek yang akan diprediksi. Setelah memilih proyek user akan memilih 5 RAB yang akan dijadikan sebagai kromosom untuk diseleksi. Aplikasi akan menentukan nilai fitness kromosom dengan cara menjumlahkan total harga dan total waktu pengerjaan kemudian dibagi 2. Menentukan nilai fitness dari masing - masing kromosom dan cari total nilai fitness. Kemudian hitung fitness relatif tiap individu. Setelah itu hitung juga fitness kumulatifnya. Aplikasi akan membangkitkan 5 buah bilangan acak dengan angka antara 0 sampai 1. Aplikasi akan membandingkan antara bilangan acak dengan nilai fitness kumulatif yang akan menghasilkan kromosom baru dari hasil seleksi. Kromosom hasil seleksi akan dilakukan crossover. Menentukan peluang crossover, misalkan Pc = 0.25, yang berarti 25% dari kromosom akan mengalami crossover. Aplikasi akan membangkitkan 5 buah bilangan acak dengan angka antara 0 sampai 1. Kemudian 2 buah kromosom dengan bilangan acak kurang dari nilai peluang crossover akan mengalami crossover. Melakukan crossover dari 2 kromosom induk sehingga menghasilkan keturunan baru. Berikut contoh proses seleksi:

 

Tabel 1 Tabel Seleksi Roda Rolet

 

Kro			Tot
	RAB	Total	al	Nilai
moso					Pk	Qk
	Proyek	Harga	Har	Fitness
m
			i
	Rumah
	Tipe	Rp
	LB 21			7446503	0.1476	0.1476
1		148.930.0	61
	LT 60			0.5	38	38
		00,-
	(1
	Lantai)
	Rumah
	Tipe	Rp
	LB 36			9546503	0.1892	0.3369
2		190.930.0	76
	LT 60			8	73	11
		00,-
	(1
	Lantai)
	Rumah
	Tipe	Rp
	LB 36			1033430	0.2048	0.5418
3		206.686.0	76
	LT 72			38	93	04
		00,-
	(1
	Lantai)
	Rumah
	Tipe	Rp
	LB 36			1151600	0.2283	0.7701
4		230.320.0	76
	LT 90			38	22	26
		00,-
	(1
	Lantai)
	Rumah
	Tipe	Rp
	LB 45			1159430	0.2298
5		231.886.0	88			1
	LT 72			44	74
		00,-
	(1
	Lantai)

 

Tabel di atas merupakan contoh tabel seleksi roda rolet. Setelah itu program akan menampilkan 5 buah angka acak antara 0 sampai 1, yaitu 0.640253, 0.634315, 0.482832, 0.300318 dan 0.196075. Setelah itu program akan membandingkan angka acak dengan Qk kromosom sehingga menghasilkan tabel hasil seleksi yang dapat dilihat pada tabel 2.

 

 

 

 

Volume IX/No.2/November/2017	94

JURNAL ILMIAH FIFO			P-ISSN 2085-4315 / E-ISSN 2502-8332
		Tabel 2 Tabel Hasil Seleksi
	Kromosom	RAB Proyek	Nilai Fitness	Asal
	1’	Rumah Tipe LB 36 LT 72 (1 Lantai)	103343038	3
	2’	Rumah Tipe LB 36 LT 72 (1 Lantai)	103343038	3
	3’	Rumah Tipe LB 36 LT 72 (1 Lantai)	103343038	3
	4’	Rumah Tipe LB 36 LT 60 (1 Lantai)	95465038	2
	5’	Rumah Tipe LB 21 LT 60 (1 Lantai)	74465030.5	1

 

Lalu menentukan peluang crossover yaitu Pc = 0.25, yang berarti sebesar 25% dari jumlah kromosom akan mengalami crossover. Kemudian program akan menampilkan angka acak lagi dari angka 0 sampai 1, yang akan digunakan dalam proses crossover yaitu 0.129652, 0.170123, 0.279195, 0.835208 dan 0.408309. Program akan mencari angka acak yang lebih kecil dari nilai peluang crossover dari masing - masing kromosom. 2 kromosom dengan angka acak lebih kecil dari peluang crossover itu lah yang akan mengalami crossover. Dari angka acak diatas didapatkan kromosom yang akan mengalami crossover adalah kromosom nomor 1 dan 2. Tabel kromosom yang berhak mengalami crossover dapat dilihat pada Tabel 3.

 

Tabel 3 Tabel Kromosom yang mengalami Crossover

Kromosom	RAB Proyek	Nilai Fitness
1’’	Rumah Tipe LB 36 LT 72 (1 Lantai)	103343038
2’’	Rumah Tipe LB 36 LT 72 (1 Lantai)	103343038

 

Setelah diperoleh kromosom yang berhak mengalami crossover, selanjutnya program akan melakukan crossover pada 2 kromosom tersebut. Tabel hasil crossover dapat dilihat pada Tabel 4.

 

					Tabel 4 Tabel Hasil Crossover
	Rumah Tipe LB 36 LT 72 (1				Rumah Tipe LB 36 LT 72 (1				Kromosom Keturunan (Hasil
		Lantai)				Lantai)
No.									Crossover)
	(Kromosom Induk 1)				(Kromosom Induk 2)
	Nama		Harga	Hari	Nama		Harga	Hari	Nama	Harga	Hari
1	Pengukuran		72.000	1	Pengukuran		72.000	1	Pengukuran	72.000	1
	Ulang Tanah				Ulang Tanah				Ulang Tanah
2	Legalisasi		288.000	2	Legalisasi		288.000	2	Legalisasi	288.000	2
	Site Plan				Site Plan				Site Plan
3	Pekerjaan		144.000	2	Pekerjaan		144.000	2	Pekerjaan	144.000	2
	Persiapan				Persiapan				Persiapan
4	Pembersihan		144.000	2	Pembersihan		144.000	2	Pembersihan	144.000	2
	Lahan				Lahan				Lahan
5	Pembersihan		288.000	2	Pembersihan		288.000	2	Pembersihan	288.000	2
	Akhir Lokasi				Akhir Lokasi				Akhir Lokasi
	Instalasi				Instalasi				Instalasi
6	Jaringan Air		3.000.000	2	Jaringan Air		3.000.000	2	Jaringan Air	3.000.000	2
	Bersih				Bersih				Bersih
	Instalasi				Instalasi				Instalasi
7	Jaringan		3.200.000	4	Jaringan		3.200.000	4	Jaringan	3.200.000	4
	Listrik				Listrik				Listrik
8	Pohon		150.000	1	Pohon		150.000	1	Pohon	150.000	1
	Peneduh				Peneduh				Peneduh
	Tipe Rumah		100.800.		Tipe Rumah		100.800.		Tipe Rumah	100.800.
9	LB 36 (1			38	LB 36 (1			38	LB 36 (1		38
			000				000			000
	Lantai)				Lantai)				Lantai)
10	Nilai Tanah		93.600.	1	Nilai Tanah		93.600.	1	Nilai Tanah	93.600.	1
			000				000			000
11	Pengurusan		5.000.000	21	Pengurusan		5.000.	21	Pengurusan	5.000.000	21
	IMB Unit				IMB Unit		000		IMB Unit

 

 

 

 

 

 

Volume IX/No.2/November/2017	95

JURNAL ILMIAH FIFO                                                                                        P-ISSN 2085-4315 / E-ISSN 2502-8332

 

Setelah berhasil melakukan crossover, maka akan diperoleh hasil prediksi yang dapat dilihat pada Tabel 5.

 

Tabel 5 Tabel Hasil Prediksi

Nama Proyek Yang Diprediksi	Prediksi Total Biaya Pengerjaan	Prediksi Total Waktu Pengerjaan
Rumah Tipe LB 120 LT 220 (2 Lantai)	Rp 206.686.000,-	76 Hari

 

Tabel 5 merupakan tabel hasil prediksi yang telah dilakukan dengan menggunakan proses seleksi dan crossover algoritma genetika.

 

3.6 Pengujian Keberhasilan Metode

 

Pengujian dilakukan dengan melakukan pengujian langsung pada aplikasi prediksi waktu dan biaya dengan menggunakan data proyek dummy atau proyek yang pernah dikerjakan oleh perusahaan. Kolom No. berisi nomor untuk setiap baris pada tabel pengujian. Kolom Jenis Bangunan berisi jenis bangunan yang dilakukan pengujian. Kolom Ukuran berisi ukuran dari bangunan yang diprediksi. Kolom Ukuran berisi dua sub kolom yaitu: sub kolom Luas Tanah (M2) dan Luas Bangunan (M2).

 

Pada sub kolom luas tanah berisi luas tanah dari bangunan yang akan diprediksi (dalam satuan meter persegi) sedangkan kolom luas bangunan merupakan luas dari bangunan yang akan di prediksi (dalam satuan meter persegi). Kolom Hasil Proyek berisi hasil pengerjaan proyek konstruksi dari awal sampai proyek selesai dikerjakan. Kolom Hasil Proyek memiliki dua sub kolom yaitu: sub kolom Waktu (Hari) dan Biaya (Rp.). Pada sub kolom waktu berisi jumlah waktu yang diperlukan dalam pengerjaan proyek pembangunan dari awal proyek sampai selesai (dalam hari). Sedangkan sub kolom biaya berisi biaya yang diperlukan dalam pengerjaan proyek dari awal proyek sampai selesai (dalam rupiah).

 

Kolom Hasil Program berisi hasil prediksi yang dikeluarkan oleh program berdasarkan kuesioner yang telah diisi. Kolom Hasil Program memiliki dua sub kolom yaitu: sub kolom Waktu dan Biaya. Pada sub kolom waktu berisi jumlah waktu dari hasil prediksi aplikasi (dalam hari). Sedangkan sub kolom biaya berisi biaya hasil prediksi aplikasi (dalam rupiah). Kolom Persentase berisi jumlah persentase persamaan antara kolom hasil proyek dengan kolom hasil program. Baris Rata - rata merupakan rata - rata dari hasil persentase, Jumlah iterasi atau pengulangan yang dilakukan sebanyak 20 kali. Tabel pengujian dibawah ini merupakan salah satu dari 20 pengulangan yang dilakukan dengan persentase keakuratan terbesar yaitu 98.72%.

 

Tabel 6 Tabel Pengujian Algoritma Genetika

			Ukuran		Hasil Proyek		Hasil Program
									Persentase
	No.	Jenis Bangunan	Luas Tanah	Luas Bangunan	Waktu	Biaya	Waktu	Biaya
									(%)
			2	2
			(M )	(M )	(Hari)	(Rp.)	(Hari)	(Rp.)
	1	Rumah 1 Lantai	60	36	76 Hari	Rp 190.930.000,-	76 Hari	Rp 190.930.000,-	100
	2	Rumah 1 Lantai	60	21	61 Hari	Rp 148.930.000,-	61 Hari	Rp 148.930.000,-	100
	3	Rumah 1 Lantai	72	36	76 Hari	Rp 206.686.000,-	76 Hari	Rp 222.274.000,-	96
	4	Rumah 1 Lantai	72	45	88 Hari	Rp 231.886.000,-	88 Hari	Rp 231.886.000,-	100
	5	Rumah 1 Lantai	72	58	102 Hari	Rp 268.286.000,-	102 Hari	Rp 252.614.000,-	97
	6	Rumah 1 Lantai	84	60	104 Hari	Rp 289.642.000,-	104 Hari	Rp 297.478.000,-	98
	7	Rumah 1 Lantai	90	36	76 Hari	Rp 230.320.000,-	76 Hari	Rp 222.484.000,-	98
	8	Rumah 1 Lantai	96	60	104 Hari	Rp 305.398.000,-	104 Hari	Rp 315.874.000,-	98
	9	Rumah 1 Lantai	96	45	88 Hari	Rp 263.398.000,-	88 Hari	Rp 263.398.000,-	100
	10	Rumah 1 Lantai	100	60	104 Hari	Rp 310.650.000,-	104 Hari	Rp 305.454.000,-	99
	11	Rumah 1 Lantai	104	54	98 Hari	Rp 299.102.000,-	98 Hari	Rp 303.020.000,-	99
	12	Rumah 1 Lantai	104	60	104 Hari	Rp 315.902.000,-	104 Hari	Rp 319.820.000,-	99
	13	Rumah 3 Lantai	105	210	268 Hari	Rp 737.215.000,-	268 Hari	Rp 730.685.000,-	99
	14	Rumah 2 Lantai	105	140	191 Hari	Rp 541.215.000,-	191 Hari	Rp 541.215.000,-	100
	15	Rumah 2 Lantai	107	92	139 Hari	Rp 409.441.000,-	139 Hari	Rp 409.441.000,-	100
	16	Rumah 2 Lantai	107	89	136 Hari	Rp 401.041.000,-	136 Hari	Rp 401.041.000,-	100
	17	Rumah 2 Lantai	107	84	130 Hari	Rp 387.041.000,-	130 Hari	Rp 387.041.000,-	100
	18	Rumah 2 Lantai	107	106	154 Hari	Rp 448.641.000,-	154 Hari	Rp 448.641.000,-	100
	19	Rumah 1 Lantai	120	70	115 Hari	Rp 364.910.000,-	115 Hari	Rp 377.970.000,-	98
	20	Rumah 2 Lantai	130	90	137 Hari	Rp 434.040.000,-	137 Hari	Rp 420.980.000,-	98
	21	Rumah 2 Lantai	135	180	235 Hari	Rp 692.605.000,-	235 Hari	Rp 686.075.000,-	99
	22	Rumah 3 Lantai	140	270	334 Hari	Rp 951.170.000,-	334 Hari	Rp 944.640.000,-	99
	23	Rumah 3 Lantai	140	210	268 Hari	Rp 783.170.000,-	268 Hari	Rp 783.170.000,-	100
	24	Rumah 2 Lantai	180	180	235 Hari	Rp 751.690.000,-	235 Hari	Rp 699.450.000,-	96
Volume IX/No.2/November/2017									96

JURNAL ILMIAH FIFO							P-ISSN 2085-4315 / E-ISSN 2502-8332
	25	Rumah 2 Lantai		220	120	170 Hari	Rp 636.210.000,-	170 Hari	Rp 583.970.000,-	95
									Rata - rata	98.72%

 

Berdasarkan pengujian yang dilakukan pada tabel 4.6 di atas didapatkan kesimpulan bahwa algoritma genetika dapat diterapkan pada aplikasi prediksi waktu dan biaya proyek konstruksi dengan persentase keakuratan sebesar 98.72%.

 

4.       KESIMPULAN

Berdasarkan hasil perancangan dan percobaan, di simpulkan penelitian ini yaitu:

 

1.       Aplikasi ini dapat memberikan output berupa hasil prediksi waktu dan biaya pengerjaan proyek konstruksi berdasarkan luas tanah yang di input dan pemilihan kromosom. Kromosom yang dimaksud adalah salah satu pekerjaan dari masing - masing proyek, yang memiliki luas tanah dengan selisih 5 angka dari luas tanah yang di input.

 

2.       Algoritma Genetika dapat diimplementasi pada sistem. Hal ini dibuktikan berdasarkan hasil output berupa hasil prediksi biaya dan waktu pengerjaan proyek menggunakan Algoritma Genetika dengan persentase keakuratan sebesar 98.72%.

 

DAFTAR PUSTAKA

 

[1]     Widodo, A. W. dan W. F. Mahmudy. 2010, Penerapan Algoritma Genetika Pada Sistem Rekomendasi Wisata Kuliner, Jurnal Ilmiah KRUSOR, Vol.5. No.4.

 

[2]     Zamani, A. M., B. Amaliah dan A. Munif. 2012, Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara, Jurnal Teknik ITS, Vol.1.

 

[3]     Anwar, S., H. Suyono dan H. Soekotjo D. 2012, Optimalisasi Penempatan SVC untuk Memperbaiki Profil Tegangan dengan Menggunakan Algoritma Genetika, Jurnal Elektro ELTEK, Vol.3. No.1.

 

[4]     Yoza, H., S. Susanty dan A. Imran. 2013, Usulan Perbaikan Rute Pendistribusian Beras Bersubsidi Menggunakan Algoritma Genetika, Jurnal Online Institut Teknologi Nasional, Vol.1. No.2.

 

[5]     Desiani, Anita dan M. Arhami, 2006. Konsep Kecerdasan Buatan. Yogyakarta: ANDI.

 

[6]     Gen, M., dan R. Cheng, 2000. Genetic Algorithm and Engineering Optimization, John Wiley and Sons, Inc., New York.

 

[7]     Kusumadewi, S, 2003. Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta: Graha Ilmu.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Volume IX/No.2/November/2017	97