Sistem Penjadwalan Kuliah dengan Menggunakan Algoritma Genetika Studi Kasus Fakultas Teknik Universitas Sumatera Utara

Gratis

5
89
180
2 years ago
Preview
Full text

PENJADWALAN KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA STUDI KASUS FAKULTAS TEKNIK UNIVERSITAS SUMATERA UTARA TESIS

  Sistem penjadwalan yang dihasilkan nantinya harus tetapmengatasi keterbatasan pada komponen penjadwalan yaitu jumlah dosen, ruang dan waktu yang tersedia. Dengan demikian penjadwalan mata kuliah dengan menggabungkan algoritma penjadwalan dan algoritma genetika merupakan metode yang lebih tepat untukmengurangi jumlah pelanggaran waktu dan dapat lebih memanfaatkan penggunaan jumlah ruangan seminimal mungkin.

KATA PENGANTAR

  Sistem penjadwalan yang dihasilkan nantinya harus tetapmengatasi keterbatasan pada komponen penjadwalan yaitu jumlah dosen, ruang dan waktu yang tersedia. Dengan demikian penjadwalan mata kuliah dengan menggabungkan algoritma penjadwalan dan algoritma genetika merupakan metode yang lebih tepat untukmengurangi jumlah pelanggaran waktu dan dapat lebih memanfaatkan penggunaan jumlah ruangan seminimal mungkin.

BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penjadwalan merupakan kegiatan administrasi utama di berbagai institusi. Masalah penjadwalan merupakan masalah penugasan sejumlah kegiatan dalam

  Sistem penjadwalan kuliah yang diinginkan adalah sistem penjadwalan yang otimal dan cepat untuk mengatasi tiap perubahan yang terdapat pada data masukan,tetapi sistem yang dihasilkan harus tetap mengikuti aturan penjadwalan yang berlaku. Rumusan MasalahBerdasarkan latar belakang tersebut, maka yang menjadi rumusan masalah dalam penelitian ini adalah membandingkan proses penjadwalan kuliah denganmenggunakan algoritma genetika tanpa algoritma penjadwalan dan dengan algoritma penjadwalan untuk mendapatkan hasil yang optimal sehingga waktu yang diperlukandalam proses pencarian solusi lebih cepat.

1.6. Sistematika Penulisan

Adapun sistematika penulisan yang dirancang adalah sebagai berikut:

BAB I PENDAHULUAN BAB ini berisi Latar Belakang, Rumusan Masalah, Batasan Masalah, Tujuan Penelitian, Manfaat Penelitian, dan Sistematika Penulisan. I LANDASAN TEORI BAB ini berisi Penelitian Terkait, Penjadwalan Kuliah, Masalah Penjadwalan Kuliah, Persyaratan Penjadwalan, Kesulitan dalam Penjadwalan Kuliah, Algoritma Genetika, Pengkodean, Inisialisasi Populasi, Operator dalam Algoritma Genetika, Elitisme, PPX dan Konvergen. II METODE PENELITIAN BAB ini berisi Sumber Data, Perancangan Sistem Penjadwalan Kuliah, Optimalisasi Penjadwalan dengan Algoritma Genetika, Pembentukan Populasi Awal, Pemilihan Operator Genetika, Perancangan Algoritma Penjadwalan, Perbandingan dan Analisa Hasil Penjadwalan, dan Diagram Alir Penelitian

BAB IV HASIL DAN ANALISA BAB ini berisi Pengumpulan Data, Komponen Penjadwalan, Perancangan Sistem Penjadwalan Kuliah, Fungsi Fitness, Proses Optimasi dengan Algoritma Genetika, Proses Optimasi dengan Algoritma Penjadwalan dan Algoritma Genetika, Perbandingan Hasil Penjadwalan dan Perbandingan Grafik Hasil Penjadwalan. BAB V KESIMPULAN DAN SARAN BAB ini berisi kesimpulan dan saran-saran

BAB II LANDASAN TEORI

2.1. Penelitian Terkait

  Teknik pengkodean dalam penelitian tersebut menggunakan string bit atau varchar untuk teknik pengkodean,populasi awal dibentuk secara acak (random), fungsi fitness digunakan untuk meminimalkan jumlah pelanggaran antar jadwal, metode seleksi dengan roulette-wheel, pindah silang satu titik potong (one-point crossover), mutasi denganpengkodean nilai, menggunakan elitisme dan kondisi selesai ditentukan bila iterasi maksimum telah tercapai. Hasil output dari sistem berupa susunan penjadwalankuliah dan ujian akhir semester dan didapatkan hasil terbaik dengan semua nilaifitness tiap generasi bernilai satu dan waktu tercepat dicapai pada generasi ke-5, populasi ke-5, probabilitas pindah silang 25% dan mutasi 2%.

2.2. Penjadwalan Kuliah

  Dalam menyusun penjadwalan kuliah, terdapat beberapa pertimbangan penting yang harus diperhatikan, antara lain jumlah mata kuliah yang ditawarkan dalam satusemester, jenis mata kuliah (teori dan praktikum), jumlah dosen yang mengajar dalam satu semester, waktu kuliah dan ruang yang tersedia. Selanjutnya mata kuliah dijadwalkan menurut waktu dan ruang yang tersedia dengan mempertimbangkan ketersediaan waktu mengajar dosen, sehingga nantinya diperolehsistem penjadwalan kuliah yang baik.

3 N

  Apabila penjadwalan ditentukan oleh satu himpunan dosen {a ,a 1 2 ,…}, satu setmata kuliah {c ,c ,p 1 2 1 2,…}, satu himpunan ruang {p ,…}, dan satu set himpunan waktu {t ,t ,c ,p } mewakili keperluan 1 2 ,…}, maka dapat ditulis satu set rangkap tiga {a i j k, {dimana i=1,….n; j=1,….m; dan k=1,….q}. Demikian seterusnya, jika set rangkap tigaj kini ditambah elemen t {dimana l=1, ...s}, maka membentuk set rangkap empat yaitu 1{a ,c ,p ,t } yang dapat diartikan bahwa dosen (a ) mengajar mata kuliah (c ) di kelasi j k l i j (p ) pada waktu (t ).

2.3. Masalah Penjadwalan Kuliah

  Masalah penjadwalan kuliah merupakan masalah keterbatasan dalam menggunakan sumber daya yang tersedia. Permasalahan tersebut antara lain sulitnya mendapatkan alokasi waktu yang tepat terhadap ketersediaan waktu dosen denganmata kuliah yang ditawarkan.

2.4. Persyaratan Penjadwalan

  Persyaratan tersebut antara lain: Seluruh mata kuliah terjadwal dan dinyatakan dalam waktu yang jelas. Seorang dosen tidak diperbolehkan melakukan perpindahan ruang untuk mata kuliah yang sama jika dosen yang bersangkutan berhalangan hadir.

2.5. Kesulitan dalam Penjadwalan Kuliah

  Merancang suatu penjadwalan kuliah yang efektif bukanlah suatu pekerjaan yang mudah untuk dilakukan. Penempatan dosen, mata kuliah,kurikulum dan waktu pada ruang yang terbatas menjadi masalah yang menarik dalam penjadwalan kuliah.

2.6. Algoritma Genetika

  Kawin silangdibutuhkan untuk mendapatkan solusi dan kombinasi terbaik dari populasi sekarang ke dalam populasi baru, dimana pemilihannya tergantung pada fitness terbaiknya. Nilai parameter yang digunakan dalam Algoritma Genetika, meliputi ukuran populasi, nilai probabilitas yang ditetapkan dalam operator genetika(seleksi, crossover, mutasi).

2.7. Pengkodean

  Salah satupendekatan yang mungkin adalah dengan mengkodekan solusi ke dalam kode biner, yang ditulis dalam bit 1 dan 0 seperti ditunjukkan pada Tabel 2.1, dimana angka tiap posisi menunjukkan nilai dari beberapa masalah. Pengkodean Nilai Teknik pengkodean nilai digunakan bila data yang ada merupakan gabungandari nilai-nilai yang kompleks, dimana nilai yang dikodekan merupakan representasi langsung terhadap masalah yang ada.

P, Q, R, S, T, U, V

  Kromosom dengan pengkodean permutasi Kromosom 1 1 5 3 2 6 4 7 9 88 5 6 7 2 3 1 4 9 Kromosom 2Proses kawin silang dan mutasi pada pengkodean ini menghasilkan kromosom yang memiliki konsistensi tertentu. Untuk dapat melalui sejumlah kota dengan jarak yang telah ditetapkan dalam satu kota, maka seorang wiraniaga tidak harus berkunjung keseluruh kota, melainkan hanya melakukan beberapa kunjungan dengan cara menyusun urutan kota yang akan dikunjungi dengan jumlah jarak seminimalmungkin.

2.8. Inisialisasi Populasi

2.9. Operator dalam Algoritma Genetika

  Tiap gen dalam keturunan dihasilkan dengan menyalin gen yang bersesuaian dari satu atau lebih induk dan terpilihlah gen yang sesuai dengan kawinsilang terlindung (crossover mask) yang dibangkitkan. Jika hasil yang didapat dari 1 0 0 1 0 1 1 1 0 0crossover maskinduk 1 1 0 1 0 0 0 1 1 1 0 keturunan 1 1 1 0 0 0 0 1 1 1 1induk 2 0 1 0 1 0 1 0 0 1 1 Gambar 2.5.

2.10. Elitisme

2.11. Precedence Preservative Crossover (PPX)

  Elitisme merupakan satu teknik dalam algoritma genetika untuk mempertahankan kromosom yang memiliki nilai fitness terbaik untuk tetap bertahanhidup pada generasi selanjutnya. Operator melewati hubungan operasi yang lebih dahulu diberikan dalam dua permutasi indukmenjadi satu anak pada tingkatan yang sama, ketika tidak satupun hubungan yang lebih dahulu diperkenalkan.

2.12. Konvergen

  Jika algoritma genetika telah diimplementasikan dengan benar, maka populasi akan menyusun generasi secara berturut-turut sehingga menghasilkan nilai fitnessterbaik dan individu rata-rata dalam tiap generasi bertambah mencapai hasil yang optimal. Dikatakan proses akan mendekati konvergen apabila hasil yang diperoleh mengikuti grafik yang ada dan seluruh proses dapat ditampilkan dalam bentuk grafik.

BAB II I METODOLOGI PENELITIAN

3.1. Sumber Data

  Dalam penelitian ini, data yang diambil adalah data teknik elektro, tetapi sistem yang akan dirancang nantinya dapat digunakan untukseluruh departemen di Fakultas Teknik Universitas Sumatera Utara sesuai dengan data masukan yang diberikan. Nama mata kuliah dan kode mata kuliah merupakan identitas mata kuliah yang membedakan satu mata kuliah dengan mata kuliah yang lain.

18.00 WIB dengan waktu satu pertemuan selama 50 menit. Alokasi waktu ini adalah

  Sistem penjadwalan yang dirancang harus dapat menghindari beberapa pelanggaran dalam proses penjadwalan kuliah Pelanggaran tersebut antara lain dosenmengajar lebih dari satu mata kuliah pada waktu yang sama dan mahasiswa mengambil lebih dari satu mata kuliah pada waktu yang sama. Sistem penjadwalankuliah yang akan dirancang nantinya merupakan sistem yang dapat mengelola seluruh data masukan yaitu data dosen, data mata kuliah, data mahasiswa, data waktu dandata ruang kuliah untuk menghasilkan output yang dapat mengatasi seluruh pelanggaran-pelanggaran yang mungkin terjadi.

3.3. Optimasi Penjadwalan dengan Algoritma Genetika

  Penjadwalan kuliah yang dihasilkan dari proses penjadwalan selanjutnya dioptimasi untuk mengurangi atau menghilangkan pelanggaran yang terjadi danmengurangi penggunaan jumlah ruang kuliah. Pemilihan Representasi Masalah Representasi masalah dengan menggunakan algoritma genetika merupakangambaran dari keadaan yang akan dioptimasi ke dalam bentuk yang dapat diproses dengan mudah.

K1 0001 K2 0010 LAB 0011 3.3.2

  Genakan berisi kode waktu dan kode ruang dari mata kuliah yang ditawarkan. Jumlah maksimum bit yang disediakan dalam satu buah gen merupakan gabungan dari bitkode waktu dan kode ruang seperti ditunjukkan pada Gambar 3.1.

08.00 Kode Waktu Kode Ruang

  Panjangsatu kromosom adalah banyaknya gen yang dapat dibentuk oleh jumlah mata kuliah yang dijadwalkan. Gen 1 Gen 2 Gen N Gambar 3.2 Kromosom yang terbentuk dari susunan gen Dari Gambar 3.2 misalkan gen 1 mewakili mata kuliah Fisika Dasar I, gen 2 mewakili mata kuliah Kimia Elektro I, maka susunan kromosom ditunjukkan pada Tabel 3.3.

08.50 Kimia Elektro I Senin -09.40 K2

  Proses pembentukan ini dimulai dengan membentuk bilangan acak antara 0 dan 1 sebanyak N x N , dimana N adalah jumlah kromosom pada populasi awal danpop bit pop N adalah jumlah bit maksmimal dalam satu kromosom [9]. Dalam penelitian ini jadwal yang diinginkan adalah jadwal yang dapat meminimalkan penggunaan jumlah ruang dan mencegah terjadinya pelanggaranwaktu dosen dan mahasiswa.

3.6. Perancangan Algoritma Penjadwalan

  Untuk gen yang lebih kanan selanjutnya, mata kuliah dijadwalkan pada jam selanjutnya masih pada ruang yang sama, R 1dengan langkah seperti pada langkah 2. Hal yang perlu di konfirmasi antara lain: Apakah mahasiswa yang sedang kuliah di ruang yang lain merupakan mahasiswa pada semesteryang sama dengan mahasiswa dengan mata kuliah yang akan dijadwalkan atau dosen yang mengajar pada ruang lain merupakan dosen yang samadengan mata kuliah yang akan dijadwalkan.

1. Apabila sama, maka lakukan pencarian terhadap waktu lain untuk kuliah k hingga tidak terjadi pelanggaran waktu

  Perbandingan dan Analisa Hasil PenjadwalanPenelitian ini akan membandingkan penyusunan jadwal kuliah dengan menggunakan dua metode yang berbeda yaitu dengan menggunakan algoritmapenjadwalan dan tanpa menggunakan algoritma penjadwalan. Diagram alir ini merupakan tahapan penelitian yang terdiri dengan dua metode yang berbeda, yaitu tanpa menggunakan algoritma penjadwalandan penjadwalan dengan menggunakan algoritma penjadwalan.

INPUT DATA:

  Perancangan Sistem Penjadwalan KuliahDengan Algoritma PenjadwalanOutput:Jadwal Kuliah Bandingkan dan Analisa Kesimpulan dan SaranSelesai Tanpa Algoritma Penjadwalan Optimasi Dengan Algoritma Genetika Optimasi Dengan Algoritma Genetika Output: Jadwal Kuliah Gambar 3.5 Diagram alir penelitian Pada Gambar 3.5 terlihat bahwa proses dimulai dengan memasukkan seluruh komponen penjadwalan kuliah untuk diproses pada perancangan sistem. Selanjutnya hasil optimasi dengan kedua metode yang berbeda ini akan dibandingkan dan dianalisa untuk menghasilkan suatu sistem penjadwalan kuliah yang sistematis.

BAB IV HASIL DAN ANALISA Penelitian ini bertujuan untuk membandingkan antara sistem penjadwalan

  kuliah dengan algoritma genetika pada dua metode yang berbeda. Metode pertama adalah penjadwalan hanya menggunakan algoritma genetika dan metode keduaadalah penjadwalan dengan menggabungkan algoritma genetika dan algoritma penjadwalan.

4.1. Pengumpulan Data

  Data yang ada dalam penelitian ini diperoleh dari bagian tata usaha Fakultas Teknik Universitas Sumatera Utara, Buku Panduan Kurikulum Pendidikan SarjanaFakultas Teknik Universitas Sumatera Utara dan survey langsung di lapangan. Oleh karena itu untuk seluruh departemen di Fakultas Teknik USU, penelitian ini akan menjadwalkan 251 orang tenaga pengajar, 306 mata kuliah, dan 77 ruangkuliah untuk seluruh mata kuliah yang ditawarkan pada semester ganjil.

4.2. Komponen Penjadwalan

  Sebagai contoh data dalam penelitian ini, data yang dipergunakan adalah data Teknik Elektro Fakultas Teknik Tabel 4.4 Daftar ruang kuliah No Ruang 1 K1 2 K2 3 LAB 4 T3 5 J09 107 6 13127 3209 8 32109 3303 10 3305 11 3307 12 330913 3310 Penjadwalan kuliah dilakukan dengan memproses data input keempat komponen penjadwalan ke dalam sistem yang dirancang untuk menghasilkan outputberupa jadwal kuliah. Jumlah gen yang menyusun suatu kromosom sama dengan jumlah mata kuliah yang dijadwalkan karena sebuah gen akandipetakan menjadi jadwal mata kuliah dan sifat yang dibawa oleh kromosom ditentukan dari kualitas jadwal yang akan diwakilinya.

M.T

  Tabel 4.8 Urutan mata kuliah dalam kromosom (lanjutan) 3 93 Sistem Operasi Ir. 90 Sistem dan RangkaianDigital Asinkron 89 2 7 5 93 89 Simulasi SistemKomunikasi 3 2 98 Teknik Fuzzy Fachruddin Rizal P 97 3 5 Panjaitan, M.

99 Teknik Instalasi Listrik Ir. Zulkarnaen Pane

  TobingPenjadwalan seluruh mata kuliah pada Tabel 4.8 dilakukan dengan membentuk kromosom awal yaitu membangkitkan sejumlah bit yang merupakan representasi dari sebuahkromosom. Jika jumlah bit untuk sebuah gen adalah sebanyak 10 bit, maka untuk 105 mata kuliah sebuah kromosom akan berisi 1050 bit biner.

4.3.3 Pengembalian Kode (decoding) Untuk menilai baik atau buruknya suatu kromosom perlu dilakukan penilaian

  Sebuah gen kode waktu dan kode ruang dikembalikan ke dalam bentuk jadwaluntuk melihat jumlah pelanggaran waktu dan ruang yang terjadi. Kromosom I pada Gambar4.1 yang mengalami proses decoding akan menghasilkan tabel jadwal kuliah seperti pada Tabel 4.9.

4.4 Fungsi Fitness

  Tujuan dari optimasi dalam penelitian ini adalah untuk mengatasi pelanggaran waktuserta meminimalkan jumlah penggunaan ruang yang digunakan, sehingga fungsi fitness yang dibuat terdiri dari 2 (dua) fungsi. Dalam hal ini penggunaan ruang kuliah oleh dosen yang sama sebaiknya diisi padahari yang sama dan tidak terpotong pada pertemuan berikutnya.

4.5. Proses Optimasi dengan Algoritma Genetika

  Metode ini tidak langsung menemukan suatu solusi yang menjadi solusi tunggal dari permasalahan namun merupakan kumpulan solusi terbaik yang mempertimbangkan seluruh fungsi fitness yangada. Sekumpulan solusi dianggap telah mencapai optimum apabila perubahan pada satu variabel dalam solusi tidak menyebabkan variabel lainnya berubah dan ketika kondisi initercapai proses pencarian dihentikan.

4.5.1. Penentuan Hard Constraint dan Soft Constraint

  Penentuan fungsi fitness yang menjadi hard constraint dan soft constraint berguna untuk 2 proses algoritma genetika selanjutnya yaitu pengurutan kromosom berdasarkan jumlah pelanggaran pada hard constraint atau besar dari f 1 . (4.1) dimana:dari kromosom n fitness(n) = fitness N var = Jumlah variabel p m (n) 15 27 13 4 4,9902 11 29 13 5 5,9872 12 29 13 5 5,9872 13 29 13 5 5,9872 14 29 13 5 5,9872 30 2 Rangking fitness Total 34 35 20 10 9 9,9688 35 19 11 8 8,9736 18 13 6 6,9856 13 8 8,9780 34 17 11 7 7,9758 33 16 10 1fitness f = beda antar variabel fitness dari kromosom (n) dalam bilangan antara 0 dan 1Proses penentuan fitness total pada kromosom dalam populasi ditunjukkan pada Tabel 4.12.

4.5.3. Proses Seleksi dan Mutasi

  Dalam seleksi turnamen ditentukan bahwa jumlah kromosom yang akan mengikuti turnamen adalah 3 kromosom yang dipilih secara acak atau k = 3 seperti pada tabel 4.13. Tabel 4.13 Kromosom terpilih untuk k=3 Kromosom fitness % fitness 6 3,9916 0,2001 12 5,9872 0,500319 9,9688 1,0000 Dari ketiga kromosom ini akan dipilih satu kromosom yang akan menjadi induk secara acak dengan kromosom yang memiliki nilai fitness lebih besar mendapatkan kesempatanterpilih yang lebih besar.

4.5.4. Hasil Pengujian Tanpa Algoritma Penjadwalan

  Tabel 4.14 Populasi akhir dari hasil proses optimasi 17 2 13 1 1,9916 13 2 9 1 1,9960 14 2 9 1 1,9960 15 2 9 1 1,9960 16 2 13 1 1,9916 2 12 1 1,9928 2 2 semakin kecil. Apabila proses pencarian harusmenentukan single solution dari kumpulan solusi yang ada, maka solusi yang dicari adalah solusi dengan tingkat pemenuhan terhadap seluruh variabel yang paling baik.

4.6. Proses Optimasi dengan Algoritma Penjadwalan dan Algoritma Genetika

  Proses penjadwalan dengan metode penggabungan algoritma penjadwalan dan algoritma genetika dilakukan dalam dua tahap. Tahap pertama adalah kromosom yangmerupakan hasil pengkodean dari urutan kegiatan diolah dalam algoritma penjadwalan sehingga menghasilkan suatu jadwal yang utuh yang didalamnya terdapat nilai-nilai untukmenghitung besarnya nilai fitness.

4.6.1. Pembentukan Gen dengan Algoritma Penjadwalan

  Kromosom yang akan dimasukkan ke dalam algoritma penjadwalan merupakan representasi dari urutan mata kuliah. Proses pemberian kode dengan gray code ditunjukkan pada Gambar 4.3.

1 XOR

  Apakahmahasiswa yang sedang kuliah di ruangan yang lain merupakan mahasiswa pada semester yang sama dengan mahasiswa yang mata kuliahnya akan dijadwalkan. Kondisi lain adalahdosen yang mengajar pada ruangan lain merupakan dosen yang sama dengan mata kuliah yang akan dijadwalkan.

80 Rabu

78 12 11 63 28 92 28 75 93 10 75 69 105 93 9 54 69 105 21 8 21 54 19 1 7 78 4 74 19 54 6 47 4 85 74 70 63 15 52 53 10 94 82 7 94 60 10 101 82 6 94 60 101 17 5 42 17 98 100 4 42 47 52 98 100 3 53 16 44 29 15 52 2 53 16 44 29 5 4 Hari Jam Ruangan 89 95 66 9 97 95 86 8 43 89 86 7 23 43 86 76 6 23 38 51 5 8 9 10 11 12 13 7 6 5 4 3 2 1 97 10 85 2 74 70 4 59 22 58 87 3 59 22 32 58 87 59 66 22 32 58 87 1 65 12 80 65 11 76 97 95

92 Kamis

Tabel 4.17 Hasil penjadwalan dengan algoritma penjadwalan (lanjutan) Ruangan Hari Jam 1 2 3 4 5 6 7 8 9 10 11 12 13 8 37 31 91 40 35 9 37 31 91 40 35 10 14 68 73 55 11 14 68 73 55 12

55 Jum'at

  1 61 26 81 77 2 61 26 81 77 3 102 12 49 4 102 12 49 5 6 7 5 62 90 104 83 8 5 62 90 104 83 9 2 25 10 2 25 11 36 99 33 34 12 36 99 33 34 Bentrok 1 2 4.6.2. Proses algoritma Pada pelaksanaan optimasi dengan metode penggunaan algoritma genetika ini, satu gen berisi jumlah bit yang lebih sedikit dibandingkan dengan jumlah bit pada kromosom denganmetode tanpa algoritma penjadwalan.

4.6.3. Hasil Pengujian dengan Algoritma Penjadwalan

  Dengan langkah yang sama, kromosom pada setiap generasi diperbaiki sampai diperoleh kromosom yang terbaik. Dari hasil pengujian, pencarian nilai fitness konvergenpada generasi ke-85 dengan beberapa populasi akhir seperti pada Tabel 4.18.

1 Fitness f

  Dalam hal ini, proses 14 13 9 1 1,9960 9 1 1,9960 2 8 1 1,9968 3 9 1 1,9960 4 9 1 1,9960 5 8 1 1,9968 6 7 2 Ranking Fitness Total 8 1 1,9968 8 9 1 1,9960 9 9 1 1,9960 10 9 1 1,9960 11 8 1 1,9968 12 8 1 1,9968 Berdasarkan hasil akhir pencarian tersebut, pelanggaran waktu sebagai hard constraint telah berhasil dihilangkan dengan nilai f sebesar nol. Hasil ini diperoleh berdasarkan optimasi dengan menggunakan algoritma penjadwalan dan diperbaiki dengan algoritma genetika melaluimetode paretto optimum dengan parameter yang digunakan antara lain: jumlah populasi sebanyak 20 unit, proses elitisme dengan membuang 50 % kromosom dari populasi danprobabilitas mutasi sebesar P = 0.1.

4.7. Perbandingan Hasil Penjadwalan

  Pencarian dengan metode tanpa algoritma penjadwalan konvergen pada generasi ke-127 dan waktu yang dibutuhkan adalah 93 menitsedangkan dengan algoritma penjadwalan konvergensi tercapai pada generasi ke-85 dan waktu yang dibutuhkan adalah 134 menit. Dari perbandingan hard constraint dan soft constraint terlihat bahwa untuk masalah penjadwalan kuliah dengan parameter yang terpilih, algoritma penjadwalan atau timetableyang dirancang menghasilkan penjadwalan kuliah yang lebih baik dan lebih cepat builder dibandingkan dengan menggunakan algoritma genetika tanpa algoritma penjadwalan.

4.8. Perbandingan Grafik Hasil Penjadwalan

  Gambar 4.6 Grafik hasil penjadwalan kuliah tanpa algoritma penjadwalan 1.2 1 0.8 0.6 0.4 0.2 Pada Gambar 4.6 terlihat bahwa grafik total fitness pada penjadwalan kuliah tanpa menggunakan algoritma penjadwalan mencapai konvergensi pada generasi ke-127 dalamwaktu 93 menit. 10 Total Fitness 1.2 1 0.8 F N i i t 0.6 l n a e i 0.4 s s 0.2 10 20 30 40 50 Generasi Ke-Induk I Induk II Rata-rata Gambar 4.7 Grafik hasil penjadwalan kuliah dengan algoritma penjadwalan Pada Gambar 4.7 terlihat bahwa total nilai fitness pada penjadwalan kuliah dengan menggunakan algoritma penjadwalan mencapai konvergensi pada generasi ke-85 dalamwaktu 134 menit.

BAB V KESIMPULAN DAN SARAN

5.1. Kesimpulan

  Dari solusi akhir yang dihasilkan olehmetode ini, masih terjadi pelanggaaran waktu sebanyak 2 (dua) kali dan dengan jumlah ruangan minimal yang digunakan sebanyak 9 (sembilan) ruangan,konvergen pada generasi ke-127 dan waktu yang diperlukan untuk mencapai konvergensi adalah 93 menit. Metode kedua, yaitu metode dengan menggunakan algoritma penjadwalan, pelanggaran waktu dapat dihindari hingga nol atau tidak terjadi pelanggaran samasekali dan dengan jumlah ruangan minimal yang digunakan sebanyak 8 (delapan) ruangan, konvergen pada generasi ke-85 dan waktu yang diperlukan untukmencapai konvergen adalah 134 menit.

5.2. Saran

  Sistempenjadwalan kuliah yang akan dirancang sebaiknya dapat mendistribusikan waktu dan ruang yang merata sehingga ketika terjadi penambahan jumlah ruang danwaktu tetap memperhatikan kenyamanan kegiatan perkuliahan. Penelitian selanjutnya diharapkan dapat mengembangkan algoritma penjadwalan yang dibuat dan menerapkan metode-metode atau parameter-parameter lainnyapada algoritma genetika yang belum dilakukan pada penelitian ini untuk mendapatkan solusi yang lebih baik.

DAFTAR PUSTAKA

  Philippines dan University of the Philippines, Diliman, QC, Philippines.[8] Syadid, M. Optimasi Generate Jadwal Mata Kuliah menggunakan Algoritma Revitalisasi Pendidikan Kejuruan dalam Pengembangan Genetika dan Tabu Search.

LAMPIRAN A: DAFTAR DOSEN 1

  12 Khawarita Siregar Ir., M. Zulfin Ir., M.

2. Teknik Mesin

  Ir., DEA 12 Farida Ariani Daulay Ir., M. 3 Alfian Hamsi Ir., M.

3. Teknik Sipil

  12 Chairunul Mahni Ir 13 Daniel Terumbi Ir., M. Nama dosen Gelar 48 Syahril Dulman Ir 49 Syarizal Ir., M.

4. Teknik Industri

  T., M. Nama dosen Gelar 49 Ukurta Tarigan Ir., M.

5. Teknik Kimia

  2 Anizar Ir., M. T., M.

6. Teknik Arsitektur

  24 Rudolf Sitorus Ir., MLA 25 Samsul Bahri Ir., M. T., M.

Dokumen baru

Download (180 Halaman)
Gratis

Dokumen yang terkait

Sistem Penjadwalan Kuliah dengan Menggunakan Algoritma Genetika Studi Kasus Fakultas Teknik Universitas Sumatera Utara
5
89
180
Penjadwalan Kampanye Menggunakan Algoritma Genetika
1
85
51
Penjadwalan Perkuliahan Dengan Menggunakan Algoritma Genetika (Studi Kasus: S-1 Ilmu Komputer Universitas Sumatera Utara)
7
83
140
Sistem Informasi Penjadwalan Mata Kuliah Diploma III Teknik Informatika Universitas Sumatera Utara.
20
135
146
Sistem Simulasi Penjadwalan Kuliah Dengan Menggunakan Algoritma Genetik
4
57
111
Sistem Penjadwalan Ruangan di FTTM ITB Menggunakan Metode Algoritma Genetika
1
11
208
Sistem Penjadwalan Ruangan di FTTM ITB Menggunakan Metode Algoritma Genetika
0
10
1
Optimasi Penjadwalan Kuliah Pengganti Menggunakan Algoritme Genetika
0
0
6
Perancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali)
0
0
6
Penjadwalan Mata Kuliah Menggunakan Metode Hybrid Algoritma Genetika Dan Algoritma Koloni Semut
2
2
10
Sistem Penjadwalan Outsourcing Menggunakan Algoritma Genetika (Studi Kasus : PT. Syarikatama)
1
2
8
Sistem Penjadwalan Kuliah dengan Menggunakan Algoritma Genetika Studi Kasus Fakultas Teknik Universitas Sumatera Utara
0
1
44
BAB II LANDASAN TEORI 2.1. Penelitian Terkait - Sistem Penjadwalan Kuliah dengan Menggunakan Algoritma Genetika Studi Kasus Fakultas Teknik Universitas Sumatera Utara
0
0
27
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah - Sistem Penjadwalan Kuliah dengan Menggunakan Algoritma Genetika Studi Kasus Fakultas Teknik Universitas Sumatera Utara
0
0
9
Sistem Penjadwalan Kuliah dengan Menggunakan Algoritma Genetika Studi Kasus Fakultas Teknik Universitas Sumatera Utara
0
0
17
Show more