AI dalam Penjadwalan Tenaga Kerja serta Waktu dan Kehadiran

Oleh Kevin Kim · Diperbarui 11 Oktober 2026

AI dalam penjadwalan tenaga kerja adalah pemakaian model peramalan dan optimasi untuk memprediksi berapa banyak tenaga kerja yang dibutuhkan bisnis, mengubah prakiraan itu menjadi jadwal shift yang sesuai dengan ketersediaan karyawan dan batas hukum, serta menandai catatan waktu dan kehadiran yang tampak janggal. Tiga pekerjaan berada di bawah definisi itu: memprakirakan permintaan, menugaskan orang ke shift, dan memeriksa apa yang benar-benar terjadi terhadap rencana.

Panduan ini ditujukan bagi pemimpin operasional, manajer SDM, dan supervisor shift yang menjalankan tim per jam atau berbasis shift, di ritel, restoran, layanan kesehatan, gudang, contact center, atau layanan lapangan. Isinya menjelaskan apa yang dilakukan setiap bagian dari tumpukan teknologi ini, bagaimana undang-undang minggu kerja yang adil dan jam kerja membatasinya, dan bagaimana meluncurkannya tanpa membuat jadwal menjadi lebih buruk bagi orang yang menjalaninya. Panduan ini berada di bagian AI di bidang SDM, dan bertumpu pada disiplin data yang dibahas dalam fondasi data SDM untuk AI.

Fakta Utama

• Aturan penjadwalan prediktif Oregon mewajibkan pemberi kerja yang tercakup (pemberi kerja ritel, perhotelan, atau jasa makanan besar dengan setidaknya 500 karyawan di seluruh dunia) memberikan jadwal tertulis paling lambat 14 hari kalender sebelumnya, dan membayar tambahan untuk banyak perubahan yang disebabkan pemberi kerja (Oregon BOLI).
• Ordonansi Secure Scheduling Seattle berlaku sejak 1 Juli 2017, mewajibkan jadwal 14 hari sebelumnya bagi pemberi kerja ritel dan jasa makanan yang tercakup dengan 500 karyawan atau lebih di seluruh dunia, dan mewajibkan pembayaran satu jam ketika jam ditambahkan atau tanggal maupun waktu shift diubah (Seattle Office of Labor Standards).
• Eksperimen acak di 28 toko Gap menemukan bahwa jadwal yang lebih stabil menaikkan median penjualan sebesar 7% dan produktivitas tenaga kerja sebesar 5% di 19 toko perlakuan (WorkLife Law).
• EU Working Time Directive menetapkan 11 jam istirahat harian berturut-turut, istirahat mingguan 24 jam, dan batas rata-rata mingguan 48 jam termasuk lembur (EUR-Lex).
• Pada 2019 Pengadilan Uni Eropa memutuskan bahwa pemberi kerja harus memiliki sistem yang objektif, andal, dan dapat diakses untuk mengukur waktu kerja harian setiap pekerja (Addleshaw Goddard).

Tiga Pekerjaan yang Dilakukan AI dalam Penjadwalan

Dalam istilah ACE Framework, sistem penjadwalan menyerap (ingest) data penjualan, lalu lintas pengunjung, tiket, janji temu, dan absensi masuk-keluar (punch), menganalisis pola di dalamnya, memprediksi tenaga kerja yang dibutuhkan setiap interval, menghasilkan jadwal kandidat, dan mengeksekusinya dengan menerbitkan shift serta memberi tahu orang. Lapisan anomali di atasnya mengawasi data punch.

1. Memprakirakan kebutuhan tenaga kerja. Model mempelajari bagaimana permintaan bergerak menurut jam, hari, dan musim, lalu memproyeksikannya ke depan. Inputnya biasanya transaksi atau pesanan, lalu lintas pengunjung, pemesanan, promosi, cuaca, dan acara lokal. Itu adalah teknik pembelajaran mesin standar yang diterapkan sebagai analitik prediktif. Keluarannya adalah kebutuhan staf per interval, seperti "enam kasir dari pukul 12.00 sampai 14.00 pada hari Sabtu," bukan jadwal.

2. Menyusun jadwal. Sebuah optimizer mengambil kebutuhan staf dan mencocokkannya dengan kendala: siapa yang tersedia, keterampilan atau sertifikasi apa yang dibutuhkan setiap shift, ambang lembur, aturan istirahat, perjanjian serikat pekerja, dan preferensi yang dinyatakan. Lalu ia mengusulkan jadwal yang memenuhi permintaan dengan biaya terendah sambil mematuhi aturan-aturan itu. AI generatif dapat berada di atasnya untuk sisi manusia, seperti menyusun pesan tukar shift atau menjawab "mengapa saya dijadwalkan hari Minggu?"

3. Menandai anomali kehadiran. Setelah orang bekerja, sistem membandingkan punch dengan rencana. Sistem dapat menemukan pola yang layak dicermati: absen masuk dari lokasi yang tak terduga, pembulatan berulang ke satu arah, rentetan istirahat yang terlewat secara tiba-tiba, shift yang sering melewati jam selesai terjadwal, atau dua orang melakukan punch dari perangkat yang sama. Ini adalah deteksi anomali yang diarahkan pada catatan waktu, dan bekerja paling baik ketika ia meneruskan tanda ke manusia alih-alih bertindak sendiri.

Contoh Nyata menurut Fungsi

Polanya sama di mana-mana. Model mengerjakan aritmetika atas ribuan kombinasi, dan manusia memegang keputusan yang melibatkan keadilan dan konteks. Untuk kaitannya dengan permintaan cuti, lihat agen cuti dan libur, dan untuk sisi yang berhadapan dengan karyawan, layanan mandiri karyawan dengan AI.

Hukum yang Harus Dipatuhi Penjadwal Anda

Optimizer akan dengan senang hati menjadwalkan shift penutupan yang disusul shift pembukaan jika tidak ada yang melarangnya. Undang-undang penjadwalan adalah "larangan" yang perlu Anda pasang. Perlakukan sebagai kendala keras dalam konfigurasi, bukan sesuatu yang ditangkap manajer belakangan.

Undang-undang penjadwalan prediktif dan minggu kerja yang adil (AS)

Beberapa yurisdiksi AS mewajibkan pemberitahuan jadwal lebih awal dan upah tambahan ketika pemberi kerja mengubahnya. Aturannya berbeda menurut tempat, industri, dan ukuran pemberi kerja, jadi pastikan versi terkini untuk setiap lokasi tempat Anda beroperasi. Beberapa titik acuan dari halaman resmi:

Kota dan negara bagian lain juga memiliki undang-undang minggu kerja yang adil sendiri, dan terus menambah atau mengubahnya. Jangan mengandalkan tabel dalam artikel sebagai sumber kepatuhan Anda. Simpan lembar aturan per lokasi, dimiliki oleh seseorang di SDM atau bagian hukum, dan tinjau sesuai jadwal.

Dua konsekuensi praktis bagi penjadwalan AI. Pertama, sistem harus membuat perubahan menit terakhir terlihat dan berharga: jika manajer menyunting jadwal yang sudah terbit di dalam jendela pemberitahuan, alat harus menampilkan premi yang akan terpicu sebelum suntingan disimpan. Kedua, sistem harus mencatat siapa mengubah apa dan mengapa, karena sengketa upah premi adalah soal catatan.

Aturan jam kerja (UE)

Working Time Directive menetapkan batas minimum yang harus diperlakukan penjadwal sebagai batas keras: setidaknya 11 jam istirahat berturut-turut dalam setiap periode 24 jam, istirahat 24 jam tanpa gangguan dalam setiap periode tujuh hari, rata-rata tidak lebih dari 48 jam seminggu termasuk lembur (periode acuan hingga empat bulan), dan batas jam normal pekerja malam rata-rata 8 jam dalam 24 jam. Direktif ini mengizinkan penyimpangan dalam beberapa kasus, dan negara anggota serta perjanjian kolektif menambahkan aturannya sendiri, sehingga batas yang dikonfigurasi harus bersumber dari hukum nasional dan perjanjian Anda, bukan dari direktif saja.

Data kehadiran juga penting di sini. Pada 2019 Pengadilan Uni Eropa memutuskan bahwa pemberi kerja harus membangun sistem yang objektif, andal, dan dapat diakses untuk mengukur waktu kerja harian setiap pekerja, dan bahwa mencatat lembur saja tidak cukup (Addleshaw Goddard). Platform penjadwalan dan kehadiran dengan data punch yang bersih adalah salah satu cara memenuhi standar itu.

Pembulatan dan akurasi upah (AS)

Dari sisi waktu, regulasi Fair Labor Standards Act AS menerima pembulatan punch ke lima menit, sepersepuluh jam, atau seperempat jam terdekat, tetapi hanya jika dalam jangka panjang tidak mengakibatkan karyawan tidak dibayar untuk seluruh waktu yang mereka kerjakan (29 CFR 785.48). AI yang menandai pembulatan satu arah sedang melakukan sesuatu yang konkret untuk kepatuhan.

Mengapa Jadwal yang Stabil Layak Dirancang

Menganggap AI penjadwalan sebagai alat penghemat biaya itu menggoda, padahal jadwal termurah di atas kertas sering kali yang paling bergejolak. Uji terbaik atas pendekatan sebaliknya adalah studi Gap. Peneliti dari Center for WorkLife Law, University of Chicago, dan UNC Kenan-Flagler bekerja sama dengan Gap Inc. dalam eksperimen acak: 19 toko perlakuan dan 9 toko kontrol di wilayah San Francisco dan Chicago, berlangsung dari November 2015 hingga Agustus 2016. Toko perlakuan memakai praktik seperti tukar shift berbasis teknologi, penjadwalan inti (core scheduling), dan tambahan staf yang terarah, dan median penjualan mereka naik 7% serta produktivitas tenaga kerja naik 5% (WorkLife Law).

Ini adalah eksperimen ritel satu perusahaan dari beberapa tahun lalu, jadi perlakukan sebagai bukti bahwa stabilitas dan kinerja bukan hal yang bertentangan, bukan sebagai prakiraan untuk bisnis Anda. Namun pelajaran desainnya berguna. Berikan stabilitas kepada optimizer sebagai sasaran, bukan hanya cakupan dan biaya: shift yang konsisten dari minggu ke minggu, hari libur yang dapat diprediksi, pemberitahuan dini, dan ruang bagi masukan karyawan. Dampak terkait pada kelelahan dibahas dalam laju kerja dan burnout di era AI.

Cara Menerapkannya Langkah demi Langkah

1. Pilih satu populasi dan satu masalah. Mulailah dengan satu kelompok toko, lokasi, atau departemen dan satu titik masalah: kekurangan staf pada jam puncak, kejutan lembur, atau perubahan jadwal menit terakhir. Peluncuran yang luas menyembunyikan apa yang berhasil.

2. Bersihkan inputnya. Anda membutuhkan riwayat permintaan yang andal, daftar karyawan terkini beserta keterampilan, sertifikasi, dan ketersediaan, serta data punch yang Anda percaya. Data buruk menghasilkan jadwal yang yakin tetapi salah. Fondasi data SDM untuk AI membahas landasannya.
3. Tuliskan aturannya sebelum mengonfigurasinya. Daftarkan jendela pemberitahuan, batas minimum istirahat, ambang lembur, aturan istirahat kerja, ketentuan serikat, dan batas kerja anak di bawah umur untuk setiap lokasi. Minta SDM atau bagian hukum menyetujui. Lalu muat sebagai kendala keras.
4. Jalankan prakiraan dalam mode bayangan. Bandingkan tenaga kerja yang diprediksi dengan yang benar-benar dijadwalkan manajer dan yang sebenarnya dibutuhkan permintaan, selama beberapa minggu. Ukur galat prakiraan menurut bagian hari, bukan hanya secara keseluruhan.
5. Uji coba pembuat jadwal dengan manajer yang menyunting. Biarkan manajer menyesuaikan draf dan mencatat alasannya. Pengesampingan berulang menunjukkan kepada Anda kendala yang hilang atau prakiraan yang buruk.
6. Aktifkan tanda anomali dengan jalur peninjauan. Arahkan tanda ke orang yang ditunjuk dengan waktu respons yang ditetapkan. Tanda yang tidak dibaca siapa pun hanyalah gangguan, dan tanda yang memicu tindakan disipliner otomatis adalah risiko. Pertahankan manusia dalam proses.
7. Beri tahu karyawan apa yang dilakukan sistem. Jelaskan data apa yang masuk, bagaimana preferensi ditimbang, cara menukar shift, dan cara menggugat suatu catatan.
8. Ukur hasil, bukan penggunaan. Lacak akurasi prakiraan, tingkat perubahan jadwal di dalam jendela pemberitahuan, upah premi yang dibayarkan, jam lembur, shift yang tidak terisi, turnover, dan kepuasan karyawan terhadap jadwal. Ini juga terhubung ke prediksi attrition, karena gejolak jadwal sering muncul dalam data karyawan yang keluar.
9. Tinjau tiap kuartal. Permintaan bergeser, undang-undang berubah, dan lokasi baru dibuka. Uji ulang prakiraan dan perbarui lembar aturan.

Kesalahan Umum

• Mengoptimalkan biaya saja. Staf yang tipis pada jam puncak dan suntingan menit terakhir yang terus-menerus menghabiskan uang lewat turnover dan penjualan yang hilang, dan dapat memicu upah premi.
• Memperlakukan hukum sebagai pemeriksaan akhir. Jika aturan tidak menjadi kendala keras dalam mesin, manajer akan menerbitkan pelanggaran dan baru mengetahuinya kemudian.
• Satu set aturan untuk setiap lokasi. Jendela pemberitahuan, pemberi kerja yang tercakup, dan aturan istirahat berbeda menurut kota, negara bagian, dan negara.
• Penjadwalan yang buram. Jika karyawan tidak dapat melihat mengapa mereka mendapat suatu shift, sistem akan dianggap tidak adil, terlepas dari benar atau tidaknya.
• Memakai tanda anomali sebagai tuduhan. Punch yang terlewat biasanya hanya lupa mengetuk, bukan kecurangan. Periksa sebelum bertindak.
• Mengabaikan ketersediaan dan tanggung jawab pengasuhan. Jadwal yang secara teknis legal tetap dapat mendorong orang keluar. Catat ketersediaan dengan jujur dan hormati.
• Penyusupan pengawasan. Data lokasi dan punch biometrik menimbulkan pertanyaan privasi di banyak tempat. Kumpulkan hanya yang Anda perlukan dan dokumentasikan alasannya.
• Melewatkan peninjauan prakiraan. Model permintaan yang dilatih dengan pola tahun lalu akan keliru setelah ada produk baru, pesaing baru, atau perubahan jam buka.

Langkah Selanjutnya

• AI di bidang SDM: pilar untuk seluruh bagian ini.
• Fondasi data SDM untuk AI: data yang Anda butuhkan sebelum semua ini berfungsi.
• Layanan mandiri karyawan dengan AI: tempat tukar shift, cuti, dan pertanyaan jadwal dijawab.
• Agen cuti dan libur: bagaimana permintaan cuti berinteraksi dengan cakupan.
• Deteksi anomali: teknik di balik tanda kehadiran.
• AI dalam penggajian: tempat jam yang disetujui divalidasi dan diubah menjadi upah.
• Laju kerja dan burnout di era AI: mengapa beban kerja dan desain jadwal penting bagi kesehatan.