<![CDATA[Dalam dunia industri saat ini, manajemen proyek, khususnya dalam hal penjadwalan sumber daya, memegang peranan penting dalam menentukan keberhasilan proyek konstruksi yang semakin kompleks. Untuk mengatasi tantangan seperti terbatasnya sumber daya, fluktuasi permintaan, dan konflik antar aktivitas, metode resource leveling digunakan untuk menyeimbangkan alokasi sumber daya dan mengurangi fluktuasi kebutuhan. Namun, dengan semakin rumitnya proyek konstruksi modern, dibutuhkan pendekatan yang lebih fleksibel dan canggih dibandingkan metode tradisional. Algoritma genetika, yang unggul dalam menjelajahi berbagai solusi, menghindari solusi lokal optimal, serta dapat menangani kendala nonlinear, muncul sebagai solusi yang potensial. Oleh karena itu, penelitian ini bertujuan untuk menilai kemampuan algoritma genetika dalam meningkatkan efisiensi penjadwalan sumber daya pada proyek konstruksi dan membandingkan hasilnya dengan metode resource leveling yang diterapkan di Microsoft Project, guna memberikan wawasan baru mengenai penerapan teknik optimasi modern dalam manajemen proyek. Penelitian ini dilakukan dengan mengimplementasikan algoritma genetika dalam resource leveling, dengan metode jumlah kuadrat terkecil sebagai fungsi objektif. Algoritma dikembangkan menggunakan bahasa pemrograman Python untuk memberikan fleksibilitas dalam pengembangan solusi. Hasil optimasi yang diperoleh dari algoritma genetika dibandingkan dengan metode resource leveling yang diterapkan di Microsoft Project, melalui empat skenario penjadwalan dengan tingkat kompleksitas yang berbeda, serta studi kasus pembangunan gedung kantor sekolah di Makassar. Berbagai skenario dan proyek nyata tersebut diterapkan untuk menguji keandalan algoritma genetika dalam menghadapi berbagai kondisi, serta untuk dievaluasi kemampuannya dalam meningkatkan efisiensi penjadwalan sumber daya pada proyek konstruksi. Dari hasil penelitian, ditemukan bahwa algoritma genetika memiliki pengaruh positif dalam menciptakan keseimbangan penggunaan sumber daya pada proyek konstruksi. Pengalokasian sumber daya menjadi lebih merata, yang mengurangi fluktuasi dalam penggunaannya. Berdasarkan analisis, nilai kuadrat sumber daya (Z) yang dihasilkan oleh algoritma genetika lebih rendah dibandingkan dengan Microsoft Project, dengan selisih terkecil sebesar 1,21% pada contoh 2 dan selisih terbesar mencapai 5,65% pada proyek gedung kantor. Temuan ini menunjukkan bahwa algoritma genetika menghasilkan solusi resource leveling yang lebih efisien. Dengan distribusi sumber daya yang lebih seimbang dan nilai Z yang lebih rendah, algoritma genetika terbukti lebih unggul dalam mengoptimalkan penggunaan sumber daya jika dibandingkan dengan Microsoft Project. Kata Kunci: Resource Leveling, Algoritma Genetika, Jumlah Kuadrat Terkecil.]]>
