Optimasi Sistem Penempatan Magang Menerapkan Algoritme Genetika

Abstrak

Magang merupakan proses yang penting dalam proses belajar mengajar di SMK. Secara spesifik magang di SMK disebut Prakerin (Praktek Kerja Industri). Penempatan magang harus memerhatikan kompetensi siswa, kuota dari perusahaan, kesesuaian jurusan dengan lowongan, dan penghasilan orang tua. Penempatan magang secara manual selama ini memakan waktu, sehingga kurang efisien. Oleh karena itu, penelitian ini fokus mengembangkan aplikasi dengan menerapkan pendekatan Algoritme Genetika untuk mempermudah dalam menentukan penempatan magang dengan menerapkan aturan yang berlaku. Algoritme Genetika dinilai sebagai algoritma yang relevan dan solutif untuk diterapkan dalam penyelesaian masalah optimasi kompleks. Masalah yang dimaksud umumnya adalah masalah yang sulit dilakukan dengan menerapkan metode konvensional. Algoritme Genetika memberikan hasil yang lebih baik untuk setiap iterasi pencarian solusi. Hasil fitness terbaik dengan nilai 0.0014286 diperoleh pada jumlah individu 200, jumlah generasi 200, persentase crossover 50% dan mutasi 10%. Hasil validasi dengan pihak SMK menyatakan bahwa sistem ini mudah untuk digunakan dan bermanfaat bagi pihak SMK, dengan rata-rata persentase kualitas sistem 82,5%. Algoritme Genetika efektif untuk diterapkan pada studi kasus penjadwalan atau penempatan magang yang memiliki karakteristik data yang kompleks.

Abstract

Internships are an important component of teaching and learning activities in vocational high schools (SMK). Specifically the internship in SMK is called Prakerin (Industrial Work Practice). The internship placement should considering student competence, number of vacancies, the suitability of majors with vacancy, and the income of the parent. During this time, manual internship placement takes more time, so less efficient. Therefore, this research tries to approach using Genetic Algorithm to make it easier in determining the internship placement by applying the applicable rules. The Genetic Algorithm is judged as the right algorithm used in solving complex optimization problems, which is difficult to do by conventional methods. The Genetic Algorithm provides better results for each iteration of the solution search. Best fitness results with value 0.0014286 obtained on the number of individuals 200, the number of generation 200, the percentage of crossover 50% and the mutation 10%. Validation results with the SMK stated that the system is easy to use and beneficial to the SMK, with an average percentage of system quality about 82.5%. Genetic Algorithms are effective to apply to scheduling case studies or internship placements that have complex data characteristics.