Beruflich Dokumente
Kultur Dokumente
net/publication/268333411
CITATION READS
1 676
2 authors, including:
SEE PROFILE
All content following this page was uploaded by Farid Hartono Gunawan on 17 December 2016.
ABSTRACT
Course scheduling problem belongs to the category of NP - hard (Non - deterministic
polynomial - time complex). The complexity of solving course scheduling problems give an
indication to the limits of the constraints to the problem. The application of evolutionary
algorithms with Generation Replacement Methods on Course scheduling problem (Case Study of
the University of Atma Jaya Makassar) can give an indication on the problem of scheduling
constraints that limit each faklutas at Atma Jaya University, Makassar. Simulation results showed
that scheduling constraints limit in any faculty at the University of Atma jaya Makassar depends
on the size of the population space and the number of genes that are raised to fill the space where
the population or chromosome problem complexity increases with introduction of restrictions on
the scheduling of such sessions , space , semester and faculty and computational complexity of
the problem requires greater resources in line with the increasing restrictions being introduced.
Chandra Syarif, Penerapan Algoritma Evolusi dengan Metode Generation Replacement pada 11
Aplikasi Penjadwalan Mata Kuliah (Studi Kasus Universitas Atma Jaya Makassar)
Dimana N adalah jumlah slot waktu-dan- individu terbaik. Pada Steady State, proses
ruangan, sedangkan K adalah jumlah penggantian kromosom (replacement)
pertemuan kuliah (umumnya K ≠ N). Sebagai dilakukan setiap kali dihasilkan dua anak
contoh jika terdapat 1034 pertemuan kuliah hasil rekombinasi. Kedua anak menggantikan
yang ada (keping puzzle) dan 1595 slot dua kromosom lama yang paling tua atau
waktu-dan-ruangan (yang didapat dari 29 slot yang kualitasnya paling rendah atau kriteria
waktu per minggu dikali dengan 55 ruangan lainnya. Pseudo-codenya dapat dilihat pada
yang tersedia), maka ukuran ruang gambar 1 dibawah dimana proses pergantian
masalahnya (jumlah solusi yang mungkin) kromosom dilakukan hingga tercapai
adalah sebesar: individu terbaik. Sedangkan pada
1595! Generational Replacement, proses
𝑅= penggantian dilakukan sekaligus ketika
(1595 − 1034)!
dihasilkan satu populasi baru. Semua
𝑅 = 2,52054 × 103117 kromosom pada populasi baru akan
menggantikan semua kromosom pada
populasi lama. Untuk mempertahankan
2.3 Algoritma Penjadwalan individu terbaik pada suatu generasi,
Dalam mengembangkan suatu aplikasi diperlukan elitsm, yakni pengkopian individu
penjadwalan, terdapat beberapa algoritma terbaik untuk dimasukkan sebagai anggota
yang dapat digunakan. Pada penerapannya, populasi pada generasi berikutnya. Dengan
ruang masalah penjadwalan mata kuliah adanya elitsm, maka populasi baru yang
terlalu kompleks jika ingin diselesaikan dihasilkan selalu memiliki minimal satu
dengan menggunakan algoritma optimasi individu terbaik pada generasi sebelumnya.
deterministik. Dari sejumlah algoritma Secara sederhana, proses evolusi pada
penjadwalan yang umum digunakan pada EAs diilustrasikan oleh diagram pada gambar
permasalahan penjadwalan mata kuliah, di bawah ini:
Evolutionary Algorithm (EAs) bisa menjadi
pilihan yang terbaik untuk diterapkan, karena
merupakan algoritma probabilistik yang
relatif mudah diimplementasikan. [3]
EAs bersifat generik, dimana
populasinya berbasiskan algoritma optimasi
meta-heuristik yang terinspirasi oleh
mekanisme biologi seperti mutasi,
Gambar 1 Skema Umum EA
persilangan, seleksi alam dan kelangsungan
hidup dari yang terbaik. EAs adalah
2.4 Constraint Satisfaction Problem
algoritma optimasi yang berbasis pada “teori
genetika” dan “seleksi ilmiah” yang Constraint Satisfaction Problem (CSP)
keduanya merupakan dasar dari “teori merupakan kumpulan dari masalah-masalah
evolusi” yang disampaikan oleh Charles yang berhubungan dengan faktor penentu
Darwin. Dengan merepresentasikan suatu atau kekangan (constraints). Kekangan ini
kandidat solusi sebagai satu individu dan tidak berbeda dengan yang ada pada dunia
sekumpulan kandidat solusi sebagai populasi, nyata. Terdapat banyak kekangan di sekitar
maka EAs bekerja secara paralel pada setiap kita, seperti kekangan sementara (mengatur
generasi evolusi. EAs bekerja dengan cara kehidupan kerja dan rumah), ataupun
membangkitkan, menguji, dan berusaha kekangan nyata (memastikan pengeluaran
memperbaiki sekumpulan kandidat solusi tidak melebihi dari anggaran), dan kita
sampai ditemukan satu lokasi yang bisa mengetahui cara untuk menyelesaikan
diterima. masalah tersebut. Dimana kita tidak
Terdapat terdapat dua variasi algoritma mencapai keberhasilan dan masuk ke dalam
EAs yaitu survivor selection atau masalah, khususnya pada solusi yang
replacement scheme, yaitu Steady State dan mungkin berhasil, tetapi tidak sesuai dengan
Generational Replacement. Kedua algoritma yang kita inginkan, dikarenakan kapasitas
tersebut berproses untuk menghasilkan kita terbatas untuk menyelesaikan masalah
Chandra Syarif, Penerapan Algoritma Evolusi dengan Metode Generation Replacement pada 13
Aplikasi Penjadwalan Mata Kuliah (Studi Kasus Universitas Atma Jaya Makassar)
1. Melakukan pengumpulan data dengan 9. Melakukan simulasi dari sistem yang
melalui studi literatur, wawancara telah dibuat.
terstruktur, dan pengambilan data Penentuan nilai fitness serta
kurikulum, mata kuliah, tenaga pendidik, pengukuran jumlah dan lama iterasi terhadap
ruangan, sesi serta struktur data Sistem jadwal yang dihasilkan akan menjadi
Informasi Akademik yang telah berjalan. landasan penilaian terhadap pencapaian
2. Melakukan analisa data untuk tujuan penelitian dengan mempertimbangkan
mengidentifikasi masalah, kendala, faktor ruang populasi pada setiap fakultas yang ada
penentu, dan faktor-faktor lainnya yang pada Universitas Atma Jaya Makassar.
mempengaruhi sistem penjadwalan mata
kuliah. 4. HASIL DAN PEMBAHASAN
3. Mengimplementasikan algoritma
genetika untuk digunakan pada sistem Pengumpulan data dilaksanakan
penjadwalan mata kuliah. dengan tiga metode, daftar pertanyaan untuk
Wakil Dekan, ketua jurusan dan kepala tata
4. Mengintegrasikan basis data dari Sistem
Informasi Akademik pada Universitas usaha serta observasi terhadap proses
Atma Makassar, khususnya yang penyusunan jadwal itu sendiri. Adapun hasil
berhubungan dengan basis data dosen, analisa dari pengumpulan data kuisioner
mata kuliah dan kelas mata kuliah. menunjukkan beberapa hal yang
5. Melakukan perancang basis data dan mempengaruhi penyusunan jadwal pada
proses penjadwalan mata kuliah yang Universitas Atma Jaya Makassar berikut ini:
meliputi pembuatan ERD (Entity 1. Dalam susunan jadwal mata kuliah yang
Relationship Diagram) dan juga ada sekarang ini, masih sering terjadi
perancangan UML. masalah. Hal ini dikuatkan dengan hasil
6. Membangun (mengkodekan) sistem kuisioner pada gambar 3 dibawah.
penjadwalan mata kuliah berdasarkan 2. Masalah yang paling sering terjadi pada
hasil rancangan dan juga kesimpulan hasil susunan jadwal mata kuliah adalah
terjadinya bentrokan jadwal kuliah. Hal
analisa data.
ini dapat dilihat dari gambar 3.
7. Melakukan pengujian terhadap hasil
3. Dalam susunan jadwal yang dihasilkan,
pengkodean sistem penjadwalan mata
maka perlu untuk menampilkan nama
kuliah, baik pengujian individu maupun
mengujikannya kepada penyusun jadwal mata kuliah, data dosen yang mengajar,
mata kuliah. tempat atau ruang kuliah, semester, durasi
8. Melakukan proses debugging untuk kuliah, dan juga kelas mata kuliah.
memperbaiki kesalahan yang masih ada.
Chandra Syarif, Penerapan Algoritma Evolusi dengan Metode Generation Replacement pada 15
Aplikasi Penjadwalan Mata Kuliah (Studi Kasus Universitas Atma Jaya Makassar)
selama 3 x 45 menit sehari. Metode menyatakan satu solusi susunan jadwal mata
lainnya adalah mata kuliah tersebut kuliah. Sedangkan yang dinamakan sebagai
dilakukan selama 2 kali dalam seminggu, satu populasi adalah kandidat-kandidat
dengan catatan pembagian mata kuliah kromosom yang diuji kesahihannya sebagai
yang satu adalah berupa mata kuliah jadwal susunan mata kuliah yang sah.
biasa, sedangkan mata kuliah yang Pembangkitan (generate) populasi
satunya diberi tambahan nama responsi yang dilakukan adalah dengan cara mengacak
atau praktikum. (random) susunan gen mata kuliah
6. Untuk beberapa fakultas, pengaturan sehingga dihasilkan susunan gen yang
pembagian kelas kelas untuk satu mata berbeda antara satu kromosom dengan
kuliah pada satu semester kurikulum kromosom lainnya.
adalah sama pengaturan kelas terhadap Nilai kelayakan jadwal ditentukan
mata kuliah pada semester kurikulum dengan menggunakan nilai fitness. Nilai
tersebut. fitness yang dihasilkan berkisar antara 0.0
Skema pengkodean yang digunakan sampai 1.0, dimana kromosom yang sah atau
menjabarkan bahwa satu gen diwakili oleh sudah memenuhi kriteria yang dibahas diatas
satu mata kuliah. Satu kandidat solusi adalah kromosom yang memiliki nilai fitness
(individu) dikodekan ke dalam suatu = 1.0. Nilai fitness ditentukan dengan rumus
kromosom, dimana satu kromosom tersebut sebagai berikut:
Chandra Syarif, Penerapan Algoritma Evolusi dengan Metode Generation Replacement pada 17
Aplikasi Penjadwalan Mata Kuliah (Studi Kasus Universitas Atma Jaya Makassar)
Gambar 5 Activity diagram algoritma genetika
Dalam gambar activity diagram di atas, populasi, mutasi populasi, cek nilai fitness,
dapat dilihat bahwa program akan berjalan dan untuk mengeset elitism dan nilai fitness
terus-menerus, selama nilai fitness yang elitism.
didapatkan tidak sama dengan 1.0. Selain itu, c) UML Class Diagram
terdapat empat jenis metode utama untuk Class diagram ysng diterapkan
mendapatkan jadwal yang optimal, dimana menggunakan sistem paket (package),
metode-metode tersebut adalah generate
Chandra Syarif, Penerapan Algoritma Evolusi dengan Metode Generation Replacement pada 19
Aplikasi Penjadwalan Mata Kuliah (Studi Kasus Universitas Atma Jaya Makassar)
Perancangan antarmuka ini komunikasi antara user dan sistem. Berikut
berhubungan dengan perancangan tampilan ini tampilan pada saat dijalankan untuk
program bagi pemakai, dimana antarmuka mencari susunan jadwal mata kuliah.
tersebut digunakan sebagai media atau alat
Chandra Syarif, Penerapan Algoritma Evolusi dengan Metode Generation Replacement pada 21
Aplikasi Penjadwalan Mata Kuliah (Studi Kasus Universitas Atma Jaya Makassar)
dengan penempatan yang tidak sesuai ke memindahkan jadwal mata kuliah menjadi
slot jadwal yang kosong. Sehingga lebih memperhatikan faktor penentu yang
penggunaan slot jadwal tersebut menjadi ada.
lebih optimal. Selain dengan melakukan pengujian
3. Dikarenakan sistem yang dirancang ini simulasi di atas, pengujian juga dilakukan
akan menguji hasil pengacakan susunan dengan cara menguji implementasikan
jadwal mata kuliah oleh sistem (dengan prototipe sistem tersebut kepada penyusun
cara memberi nilai fitness pada susunan jadwal mata kuliah untuk tiap fakultas, yaitu
jadwal mata kuliah tersebut), maka dapat wakil dekan setiap Fakultas. Pengujian ini
dilihat bahwa penyusunan jadwal mata dimaksudkan untuk mendapatkan penilaian
kuliah tersebut sangat memperhatikan apakah prototipe sistem penjadwalan mata
faktor penentu yang telah diprogramkan. kuliah yang dirancang tersebut sudah layak
4. Untuk melakukan pembatalan dan dan dapat memenuhi kebutuhan dengan
pemindahan jadwal mata kuliah menjadi sistem penjadwalan mata kuliah yang
lebih mudah dilakukan. Hal ini seharusnya dan juga untuk mengetahui
dikarenakan dalam sistem sendiri telah apakah informasi-informasi yang
menyediakan fasilitas untuk melakukan berhubungan dengan jadwal mata kuliah bisa
kedua hal tersebut. Selain itu, untuk didapatkan dari sistem.
Chandra Syarif, Penerapan Algoritma Evolusi dengan Metode Generation Replacement pada 23
Aplikasi Penjadwalan Mata Kuliah (Studi Kasus Universitas Atma Jaya Makassar)