E-commerce sedang berkembang pesat di Indonesia saat ini. Penjadwalan pegawai yang adil dan efisien merupakan aspek penting dalam operasional perusahaan e-commerce, terutama pada divisi Know Your Customer (KYC) yang beroperasi selama 24 jam dan dibagi menjadi 5 shift. Penjadwalan manual yang digunakan saat ini menyebabkan ketimpangan dalam distribusi hari kerja antar pegawai, yang dapat berdampak negatif terhadap kepuasan kerja dan performa tim. Penelitian ini bertujuan untuk mengembangkan model optimasi penjadwalan pegawai menggunakan metode Integer Linear Programming (ILP) dengan pendekatan fairness berdasarkan keseimbangan jumlah hari kerja. Model mempertimbangkan berbagai kendala realistis seperti kebutuhan jumlah pegawai per shift, batasan kerja satu shift per hari, pembagian kelompok shift pagi dan malam, serta larangan transisi langsung dari shift malam ke pagi. Model dikembangkan menggunakan bahasa pemrograman Python dan diimplementasikan pada data historis bulan Desember 2024. Hasil optimasi menunjukkan peningkatan fairness yang signifikan, ditunjukkan oleh penurunan nilai relative range dari 0,137 menjadi 0,046, range dari 3 menjadi 1, serta pengurangan jumlah pegawai fleksibel dari 10 menjadi 3. Model juga berhasil lolos verifikasi dan validasi terhadap kendala operasional dan data bulan berbeda, sehingga layak digunakan dalam praktik penjadwalan perusahaan.

---

E-commerce is currently experiencing rapid growth in Indonesia. Fair and efficient employee scheduling is a crucial aspect of operations for e-commerce companies, especially in the Know Your Customer (KYC) division, which operates 24 hours a day and is divided into five shifts. The current manual scheduling system has led to imbalances in the distribution of workdays among employees, potentially affecting job satisfaction and team performance. This study aims to develop an employee scheduling optimization model using the Integer Linear Programming (ILP) method with a fairness approach based on the equal distribution of workdays. The model considers various realistic constraints such as the required number of employees per shift, a one-shift-per-day limit, grouping of employees into morning and evening shifts, and a restriction on direct transitions from night to morning shifts. The model was developed using the Python programming language and implemented using historical data from December 2024. The optimization results show a significant improvement in fairness, indicated by a reduction in the relative range from 0.137 to 0.046, a range reduction from 3 to 1, and a decrease in the number of flexible employees from 10 to 3. The model also passed verification and validation against operational constraints and different time period data, making it feasible for practical implementation in the company’s scheduling system.