optimalisasi penempatan dosen pembimbing dan

Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016)
Yogyakarta, 18-19 Maret 2016
ISSN: 2089-9815
OPTIMALISASI PENEMPATAN DOSEN PEMBIMBING DAN PENJADWALAN
SEMINAR TUGAS AKHIR MENGGUNAKAN ALGORITMA GENETIKA
Nendi Purwana 1, Esmeralda C. Djamal 2, Faiza Renaldi 3
Jurusan Informatika, Fakultas MIPA
Universitas Jenderal Achmad Yani
Jl. Terusan Sudirman,PO BOX 148 Cimahi,
Jawa Barat, Indonesia
E-mail: [email protected]
ABSTRAK
Tugas akhir merupakan satu matakuliah yang wajib diambil mahasiswa sebagai salah satu syarat kelulusan,
setiap mahasiswa yang telah mengambil tugas akhir wajib mempunyai dosen pembimbing untuk membantu
membimbing mahasiswa dalam menyelasaikan tugas akhir, hasil akhir dari tugas akhir akan dipresentasikan
dalam bentuk seminar. Beberapa penelitian terdahulu yang menggunakan algoritma genetik diantaranya untuk
penempatan buku untuk perpustakaan sekolah, Penerapan Algoritma Genetika Pada Sistem Rekomendasi,
penyelesaian masalah Job Shop, Optimalisasi penempatan SDM pada perusahaan. Algoritma Genetika dipilih
karena dapat memperoleh jadwal yang memenuhi kriteria yang ditetapkan dari semua kombinasi yang ada
tanpa harus mencoba semua kemungkinan kombinasi. Dalam penelitian ini penjadwalan dilakukan terhadap 77
Mahasiswa, 2 Ruangan dan 13 Dosen. Optimalisasi Penempatan Dosen Pembimbing dan Penjadwalan Tugas
Akhir dilakukan dengan pembangkitan populasi awal, evaluasi fungsi kecocokan, seleksi, persilangan, dan
mutasi. Dari lima kali pengujian dengan 100 kali evolusi, sistem menghasilkan solusi dengan jumlah rata-rata
pelanggaran sebanyak lima pelanggaran, dan waktu proses rata-rata selama 55,6 detik. Sistem telah
diimplementasikan dalam perangkat lunak dan secara fungsional telah sesuai dengan perancangan yang
diinginkan. .
Kata Kunci: Penempatan Dosen Pembimbing, Penjadwalan Seminar, Algoritma Genetika.
atau solusi yang berbeda. Dari sekumpulan individu
atau populasi awal kemudian dievaluasi terhadap
kriteria, yang kemudian melului tahap seleksi.
Kumpulan individu yang mempunyai kecocokan
paling tinggi dilakukan persilangan antar individu,
kemudian dilakukan proses mutasi. Dua proses
terakhir menghasilkan individu yang berbeda. Proses
evaluasi, seleksi, persilangan dan mutasi akan
berulang sampai menemukan solusi yang memenuhi
kriteria.
Beberapa
penelitian
terdahulu
yang
menggunakan algoritma genetik diantaranya untuk
penempatan buku untuk perpustakaan sekolah [1],
Optimalisasi Penjadwalan Perkuliahan di Fakultas
MIPA Unjani [2], penyelesaian masalah Job Shop
[3], Optimalisasi penempatan SDM pada
perusahaan4],
penjadwalan
proyek
dengan
penyeimbangan biaya [5], penjadwalan pesanan
produksi [6]. Salah satu kriteria dalam menghasilkan
jadwal yang baik adalah tidak adanya unsur
penjadwalan yang bentrok dalam hal penggunaan
fasilitas ataupun keterlibatan unsur terkait.
Dalam penelitian ini
akan
dirancang
menggunakan dua algoritma genetik, yaitu untuk
penempatan dosen pembimbing dan penjadwalan
seminar tugas akhir. Algoritma genetika dipilih
mengingat dapat memperoleh solusi optimal tanpa
harus mencoba semua kemungkinan solusi. Terdapat
sebanyak 77 peserta seminar, 13 jumlah dosen dan
10 bidang penelitian, maka terdapat kombinasi
penempatan dosen pembimbing sebanyak 77130.
1. PENDAHULUAN
1.1 Latar Belakang
Tugas akhir merupakan matakuliah yang wajib
diambil setiap mahasiswa khususnya mahasiswa
tingkat akhir yang akan menyelesaikan masa
studinya, di Informatika Unjani tugas akhir terdiri
dari 6 SKS yang dibagi kedalam 2 semester, yaitu
tugas akhir 1 terdiri dari 2 SKS dan tugas akhir 2
terdiri dari 6 SKS. Setiap mahasiswa yang telah
mengambil matakuliah tugas akhir wajib memiliki
dosen pembimbing untuk membantu membimbing
mahasiswa dalam menyelesaikan tugas akhir
tersebut, setiap dosen pembimbing mempunyai
keahlian pada bidangnya masing-masing, sehingga
pada saat penempatan dosen pembimbing
disesuaikan berdasarkan bidang penelitian yang
diambil mahasiswa. Setelah melalui proses
bimbingan dan menyelesaikan tugas akhir maka
mahasiswa harus mengikuti kegiatan seminar tugas
akhir. Saat ini kegiatan seminar tugas akhir
dilakukan pada dua ruangan dengan jumlah dosen
pembimbing dan reviewer sebanyak 13 orang.
Algoritma genetika adalah suatu algoritma
pencarian yang berbasis pada mekanisme seleksi
alam dan genetika. Proses algoritma genetika
berawal dari mencari beberapa solusi atau individu
yang disebut populasi awal. Setiap individu
dibangun dengan mengisikan tiap gen dengan
record-record dari sebuah daftar isi gen yang
dibangkitkan secara random, sehingga setiap
kombinasi record yang berbeda merupakan individu
492
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016)
Yogyakarta, 18-19 Maret 2016
Apabila setiap mahasiswa memiliki dua dosen
pembimbing dan dua dosen penguji, kemudian
dalam satu hari terdapat 8 jam kegiatan, dan 2
ruangan yang dapat digunakan, maka dalam 5 hari
akan menghasilkan kombinasi sebanyak
kemungkinan solusi untuk penjadwalan seminar,
sehingga tidak memungkinkan atau tidak realistis
untuk diujikan seluruhnya untuk menemukan solusi
terbaik dari seluruh kombinasi.
ISSN: 2089-9815
individunya. Penelitian sebelumnya membangkitan
pupulasi awal dengan teknik ramdom generator dan
permutasi gen [1], sedangkan pada penelitian
lainnya proses inisialiasi awal dibuat sepuluh
kromosom berdasarkan bilangan acak. Bilangan
yang diacak adalah indeks hari dan indeks ruangan
yang akan ditempati oleh kelas [2].
1.2.4 Fungsi Kecocokan
Nilai kecocokan berguna untuk jumlah
pelanggaran yang semakin kecil menunjukkan solusi
yang lebih baik sehingga pada jumlah pelanggaran
sama dengan nol diperoleh nilai kecocokan terbaik
sama dengan 1. Fungsi kecocokan yang digunakan
pada penelitian terdahulu [9] adalah dapat dilihat
pada persamaan.
1.2 Landasan Teori
1.2.1 Algoritma Genetika
Algoritma genetika adalah suatu algoritma
pencarian yang berbasis pada mekanisme seleksi
alam dan genetika. Algoritma genetika merupakan
salah satu algoritma yang sangat tepat digunakan
dalam menyelesaikan masalah optimasi kompleks.
Algoritma genetika pertama kali dikembangkan oleh
Jhon Holland dari Universitas Michigan pada tahun
1975. Jhon Holland menyatakan bahwa setiap
masalah yang terbentuk adaptasi (alami maupun
buatan) dapat diformulasikan kedalam terminologi
genetika.
Proses algoritma genetika berawal dari mencari
beberapa solusi atau individu yang disebut populasi
awal. Setiap individu dibangun dengan mengisikan
tiap gen dengan record-record dari sebuah daftar isi
gen yang dibangkitkan secara random, sehingga
setiap kombinasi record yang berbeda merupakan
individu atau solusi yang berbeda. Dari sekumpulan
individu atau populasi awal kemudian dievaluasi
terhadap kriteria, yang kemudian melului tahap
seleksi. Kumpulan individu yang mempunyai
kecocokan paling tinggi dilakukan persilangan antar
individu, kemudian dilakukan proses mutasi. Dua
proses terakhir menghasilkan individu yang berbeda.
Proses evaluasi, seleksi, persilangan dan mutasi akan
berulang sampai menemukan solusi yang memenuhi
kriteria.
…………………….(1)
F(x) adalah nilai dari fungsi kecocokan, f i adalah
banyaknya aturan sebanyak n, dan x menyatakan
jumlah pelanggaran.
1.2.5 Persilangan (Crossover)
Perkawinan silang atau Crossover merupakan
proses mengkombinasikan dua individu untuk
memperoleh individu-individu baru yang diharapkan
mempunyai fitness lebih baik [8]. Crossover
menukar bagian dari dua kromosom induk yang
berbeda, bekerja menggabungkan dua kromosom
induk dengan cara penyilangan untuk menghasilkan
dua individu baru. Tidak semua induk mengalami
crossover, banyaknya induk yang mengalami
crossover ditentukan dengan nilai laju crossover dan
dilakukan secara acak.
1.2.6 Mutasi
Mutasi adalah penggantian satu atau lebih gen
pada suatu kromosom yang terjadi tanpa melibatkan
kromosom yang lain. Pada kromosom biner mutasi
dilakukan dengan mengubah gen biner 0 menjadi 1
dan satu menjadi 0. Pada kromosom float dua
macam mutasi yang banyak dilakukan yaitu random
mutation dan shift mutation.
(a) Random mutation adalah mengganti gen yang
termutasi dengan nilai acak.
(b) Shift mutation adalah menggeser nilai gen
termutasi sebesar c, dimana c adalah bilangan
kecil yang ditentukan.
1.2.2 Struktur Kromosom
Dalam
algoritma
genetika,
representasi
kromosom merupakan bagian yang penting, karena
satu kromosom mewakili satu solusi. Masingmasing kromosom berisi sejumlah gen dimana
dalam satu gen akan mewakili satu variabel [2],
Pada penelitian sebelumnya terdapat 20 kromosom
per populasi dengan jumlah generasi 10 [4].
Penelitian lainya merepresentasikan kromosom
dalam bentuk bilangan bulat dimana terdapat aturan
operation-based representation atau aturan yang
berbasis pada operasi dalam pekerjaan [8].
1.2.7 Penghentian Generasi
Terminasi evolusi merupakan sebuah proses
yang menyatakan berhentinya proses dalam
algoritma genetika. Pada penelitian sebelumnya
kasus optimasi penjadwalan kegiatan perkuliahan,
terdapat 3 (tiga) kondisi yang digunakan untuk
menghentikan algoritma genetika [2], yaitu :
1. Jika sudah tidak terjadi pelanggaran pada
kromosom yang dibangkitkan.
1.2.3 Membangkitkan Populasi Awal
Membangkitkan populasi awal adalah proses
membangkitkan sejumlah individu secara acak
melalui prosedur tertentu. Syarat-syarat yang harus
dipenuhi untuk menunjukkan solusi harus benarbenar diperhatikan dalam pembangkitan setiap
493
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016)
Yogyakarta, 18-19 Maret 2016
ISSN: 2089-9815
2. Jika jumlah generasi atau iterasi yang diinginkan
telah tercapai.
3. Jika nilai fitness diinginkan telah tercapai.
Ruang 1
B1
Kromosom
2 PEMBAHASAN DAN HASIL
2.1 Metode
Pada penelitian ini akan menggunakan dua
algoritma genetika, yang masing-masing digunakan
untuk penempatan dosen pembimbing dan
penjadwalan
seminar
tugas
akhir
seperti
diperlihatkan pada Gambar 1.
Algoritma Penempatan
Dosen Pembimbing
Jadwal Seminar
Tugas Akhir
Algoritma Penjadwalan
Seminar Tugas Akhir
Daftar
Pembimbing
dan
Mahasiswa
A. Representasi Struktur Kromosom
Pada penelitian ini Struktur kromosom dibagi
kedalam dua bentuk kromosom, yaitu struktur
kromosom penempatan dosen pembimbing dan
struktur kromosom penjadwalan seminar tugas
akhir.
B1
B2
...
g40
g41
...
B3
g60
g61
...
……………………………………….(1)
Pada persamaan (1) terdapat nilai n yang
merepresentasikan banyaknya aturan yang dibuat,
F(x) adalah nilai dari fungsi kecocokan, f i adalah
banyaknya aturan sebanyak n, dan x menyatakan
jumlah pelanggaran.
B10
g70
...
g134
...
P1 P2
B. Membangun Fungsi Kecocokan
Sebelum membangun fungsi kecocokan, terlebih
dahulu adalah dengan membuat aturan-aturan yang
juga merupakan kriteria dalam penempatan ruangan
berdasarkan analisa terhadap sistem yang sedang
berjalan. Aturan atau kriteria tersebut yaitu :
1. Kriteria penempatan dosen pembimbing :
a.
Dosen pembimbing 1 ditempatkan sesuai
dengan kompetensi keahlian dosen dan
bidang penelitian yang diambil mahasiswa.
b. Pembimbing
dapat
membimbing
mahasiswa dengan ketentuan maksimal 20
mahasiswa.
2. Kriteria penjadwalan seminar tugas akhir :
a.
Dosen reviewer tidak boleh sama dengan
dosen pembimbing.
b. Dosen pembimbing dan reviewer tidak
boleh ada pada ruang yang berbeda pada
satu waktu.
c.
Reviewer dapat mereview mahasiswa
maksimal 20 Mahasiswa.
d. Dosen pembimbing dan reviewer dapat
menentukan kesediaan membimbing atau
mereview.
Persamaan yang digunakan untuk menghitung nilai
kecocokan dari kriteria tersebut yaitu:
Pada Gambar 1 terdapat dua proses Algoritma
Genetika yang digunakan untuk penempatan dosen
pembimbing dan penjadwalan seminar tugas akhir
dengan masukan berupa NIM, bidang penelitian dan
daftar dosen yang akan diproses menggunakan
algoritma penempatan dosen pembimbing dan
menghasilkan keluaran berupa daftar pembimbing
dan mahasiswa, kemudian keluaran tersebut
dijadikan sebagai masukan bagi proses algoritma
penjadwalan seminar dan menghasilkan keluaran
berupa jadwal seminar tugas akhir.
g2
B10
... g80 g81 ... g120 ... 154 155 . . . g185 g186 ... g243 g244 ... g268 …. g308
Pada Gambar 3 merupakan struktur kromosom dari
penjadwalan seminar tugas akhir yang berisi kode
dosen pembimbing yang didapat dari proses
algoritma genetika sebelumnya dan kode dosen
reviewer yang dibangkitkan secara acak.
Gambar 1. Sistem Penempatan Dosen
Pembimbing dan Penjadwalan Seminar Tugas
Akhir Menggunakan Algoritma Genetika.
g1
B2
g4
Gambar 3. Struktur Kromosom Penjadwalan
Seminar Tugas Akhir.
Aturan Penjadwalan Seminar
Kromosom
g2 g3
Rev1 Rev2
Aturan Penempatan Dosen Pembimbing
NIM
Bidang Penelitian
Daftar Dosen
g1
Ruang 2
g154 gen 1- 154
C. Membangkitkan Populasi Awal
Setelah kromosom dibentuk dan aturan
ditentukan, langkah selanjutnya adalah proses
dengan algoritma genetika, yang dimulai dengan
pembangkitan populasi awal dengan delapan
kromosom dengan panjang kromosom sebanyak 154
dan 308 gen, setiap gen diisi oleh daftar isi gen yaitu
kode dosen yang dibangkitkan secara acak.
P1 P2
Gambar 2. Struktur Kromosom Penempatan
Dosen Pembimbing.
Pada Gambar 2 panjang kromosom sebanyak
154, yang terdiri dari pembimbing 1 dan
pembimbing 2 yang telah dikodekan.
494
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016)
Yogyakarta, 18-19 Maret 2016
D. Cross Over
Pada penelitian ini crossover yang dilakukan
hanya menggunakan gen yang melanggar sehingga
gen yang bermasalah dalam sebuah kromosom akan
langsung ditukarkan dengan gen yang melanggar
dari kromosom lain, jika terdapat dua gen yang sama
dalam satu kromosom maka dilakukan proses
perbaikan isi kromosom untuk mengganti gen yang
memiliki nilai yang sama, sehingga tingkat gen yang
bermasalah akan cepat berkurang dan akan
menaikkan nilai kecocokan, proses crossover dapat
dilihat pada Gambar4. Langkah-langkah proses
crossover dengan teknik tersebut yaitu :
1. Persilangan dilakukan terhadap empat
kromosom sehingga menghasilkan dua
pasang induk yaitu : peringkat [1,2], dan
[3,4].
2. Gen yang disilangkan adalah gen yang
melanggar dengan tipe rute perjalanan yang
sama.
3. Perbaikan isi kromosom dilakukan untuk
menghilangkan isi gen yang sama dalam
satu kromosom.
Ditukar
Hasil duplikat kromosom 1
Hasil duplikat kromosom 1
2.2
Hasil Dan Diskusi
Hasil dari pengujian sesuai dengan tahapan
metode penelitian yang dibangun untuk proses
penjadwalan. Hasil yang didapat merupakan model
kromosom dengan struktur yang disesuaikan dengan
kasus penempatan dosen pembimbing dan
penjadwalan seminar tugas akhir. Kemudian model
kromosom tersebut diujikan dengan melakukan
pengujian.
a. Membangkitkan Populasi Awal
Populasi awal dilakukan dengan cara melakukan
random kode pembimbing 1 dan kode pembimbing
2. Pembangkitan populasi awal dalam penelitian ini
dapat dilihat pada Gambar 6.
YHC AIH WNI RDI YHC DNA EKP FRU WNI AIH
M1
Kromoson 1
THP AGK YHC FZR EKP DNA WNI AGK THP RDI
M1
Hasi Persilangan:
Kromoson 2 GNA
M3
AIH
THP
M2
AIH
...
RDI
...
M3
ECD AGK THP
...
...
...
...
M76
...
WNI
...
M77
RZK
ECD
M76
FRU
...
...
...
...
...
...
...
...
...
FZR gen 1- 154
M77
YHC AGK GNA FZR gen 1- 154
THP AIH WNI RDI YHC DNA EKP FRU WNI AIH
...
Hasil duplikat kromosom 2
M2
YHC AGK WNI
Gen yang melanggar memiliki kategori mahasiswa yang sama
Hasil duplikat kromosom 1
WNI RDI WNI RDI YHC DNA EKP FRU YHC AIH
Gambar 5. Proses Mutasi
Ditukar
Hasil duplikat kromosom 2
YHC RDI WNI RDI YHC DNA EKP FRU WNI AIH
Hasil Mutasi :
Gen yang melanggar memiliki kategori dosen yang sama
Hasil duplikat kromosom 1
ISSN: 2089-9815
...
THP AGK YHC FZR EKP DNA WNI AGK YHC RDI
...
M1
Kromoson 8 GNA
...
...
...
M2
AIH
M3
EKP AGK YHC
...
RDI
...
...
...
...
...
...
M76
...
...
...
...
M77
THP DNA EKP
AIH gen 1- 154
Gambar 4. Proses Crossover
E. Mutasi
Proses mutasi adalah proses perubahan unsur gen
pada satu kromosom. Empat kromosom terbaik dari
proses persilangan akan melakukan mutasi. Prinsip
sederhananya menukar gen tertentu dengan gen yang
lain pada kromosom yang sama. Maka keempat
kromosom itulah yang akan dimutasi. Hasil mutasi
satu kromosom akan menghasilkan satu kromosom
anak sehingga jumlah kromosom hasil mutasi yang
akan dihitung jumlah pelanggaran dan fungsi
kecocokannya adalah delapan kromosom. Cara
memutasikan kromosom adalah dengan terlebih
dahulu mencari gen yang melanggar lalu pada satu
kromosom, kemudian gen-gen yang melanggar
tersebut dimutasikan, seperti pada Gambar 5.
Gambar 6. Pembangkitan Populasi Awal
b. Evaluasi Fungsi Kecocokan Populasi Awal
Setelah populasi awal dibangkitkan, kromosomkromosom yang terdapat pada populasi tersebut
dihitung dengan fungsi kecocokan seperti pada
persamaan (1) berdasarkan kriteria yang telah
ditentukan sebelumnya, seperti pada Tabel 1.
Tabel 1. Jumlah Pelanggaran Pada Populasi
Awal
Kromosom
Kromosom 1
495
Jumlah
pelanggaran
15
Kromosom 2
10
Kromosom 3
4
Kromosom 4
12
Kromosom 5
8
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016)
Yogyakarta, 18-19 Maret 2016
Dari calon induk yang disilangkan tersebut
menghasilkan delapan kromosom atau individu baru.
Dari individu baru tersebut kemudian dihitung
kembali jumlah pelanggarannya, dan kromosom
yang memiliki jumlah pelanggaran terkecil,
disesuaikan dengan kriteria yang ditetapkan. Apabila
telah memenuhi kriteria yang ditetapkan, maka
kromosom tersebut yang dipilih sebagai solusi
optimal, yang kemudian dibentuk ke dalam solusi
nyata berupa daftar mahasiswa dan pembimbing
beserta jadwal seminar tugas akhir.
Hasil yang didapat merupakan model kromosom
dengan struktur yang disesuaikan dengan kasus
penempatan dosen pembimbing dan penjadwalan
seminar tugas akhir Gambar 2 dan Gambar 3.
Kemudian model tersebut diujicobakan dengan
melakukan pengujian sebanyak 100 kali evolusi
dengan hasil yang terdapat pada Gambar 7.
Tabel 1. Jumlah Pelanggaran Pada Populasi
Awal (lanjutan)
Kromosom 6
Jumlah
pelanggaran
6
Kromosom 7
3
Kromosom 8
14
Kromosom
c. Seleksi
Proses seleksi merupakan proses memilih
kromosom yang akan digunakan untuk proses
persilangan (crossover). Kromosom terpilih akan
menjadi induk yang akan disilangkan dan
menghasilkan anak atau kromosom baru hasil dari
persilangan. Kromosom yang terpilih adalah empat
kromosom dengan nilai jumlah pelanggaran paling
sedikit atau fungsi kecocokan tertinggi dari delapan
kromosom yang dibangkitkan. Seleksi dengan
memilih kromosom dengan nilai tinggi merupakan
cara seleksi roda roullete, semakin tinggi nilai fungsi
kecocokan suatu kromosom, maka semakin tinggi
kemungkinan
kromosom
digunakan
untuk
persilangan sebagai induk. Proses seleksi dapat
dilihat pada T.
Tabel 2. Peringkat Kromosom Berdasarkan
Jumlah Pelanggaran.
Kromosom
Jumlah
pelanggaran
Gambar 7. Grafik Jumlah Pelanggaran
Terhadap Jumlah Evolusi
Peringkat
Kromosom 1
15
8
Kromosom 2
10
5
Kromosom 3
4
2
Kromosom 4
12
6
Kromosom 5
8
4
Kromosom 6
6
3
Kromosom 7
3
1
Kromosom 8
14
7
Pada Gambar 7 didapat grafik menaik dengan
sampel data sebanyak 77 mahasiswa. Grafik tersebut
menunjukan bahwa pemodelan kromosom yang
dibentuk telah tepat karena individu yang muncul
pada setiap evolusi memiliki nilai yang semakin
membaik. Oleh karena itu, pemodelan ini dapat
diteruskan untuk memunculkan solusi optimal
mengenai penempatan dosen pembimbing dan
penjadwalan seminar tugas akhir.
3 KESIMPULAN
3.1 Kesimpulan
Penelitian ini telah menghasilkan sebuah
Sistem
Optimalisasi
Penempatan
Dosen
Pembimbing dan Penjadwalan Seminar Tugas Akhir
Menggunakan Algoritma Genetika. Hasil akhir dari
sistem adalah terbentuknya daftar mahasiswa
berserta dosen pembimbing dan jadwal seminar
tugas akhir dalam satu periode. Durasi program
dapat disesuaikan dengan panjang kromosom.
Sistem ini menggunakan dua algoritma genetika
untuk melakukan pemrosesannya, algoritma
genetika yang pertama digunakan untuk penempatan
dosen pembimbing dan algoritma yang kedua
digunakan untuk penjadwalan seminar tugas akhir.
Pada penelitian ini dilakukan pengujian
sebanyak 100 kali evolusi dengan lima kali
pengujian, sistem menghasilkan jumlah pelanggaran
Dari hasil seleksi maka didapat calon induk untuk
proses persilangan dan mutasi. Calon induk yang
terpilih dapat dilihat pada Tabel 3.
Tabel 1. Calon Induk untuk Persilangan
Kromosom
Kromosom 7
Kromosom 3
Kromosom 6
Kromosom 5
Jumlah
Pelanggaran
3
4
6
8
ISSN: 2089-9815
Peringkat
1
2
3
4
496
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016)
Yogyakarta, 18-19 Maret 2016
terkecil pelanggaran dalam 55,6 detik dengan
jumlah pelanggaran sebesar nol pelanggaran untuk
penempatan dosen pembimbing, dan 60 detik
dengan jumlah pelanggaran sebanyak dua
pelanggaran dalam evolusi penjadwalan. Setiap
pengujian sistem mengeluarkan solusi berbeda
karena algortima genetika bekerja secara random,
namun dapat memberikan optimalisasi solusi yang
efektif. Masih terdapatnya pelanggaran disebabkan
proses pembangkitan populasi awal mempunyai
pelanggaran cukup besar sehingga mempengaruhi
kecepatan dan perolehan solusi yang memenuhi
syarat.
ISSN: 2089-9815
Sistem Rekomendasi," Jurnal Ilmiah Kursor
Menuju Solusi Teknologi Informasi, vol. 5, pp.
205-2011, Juli 2010.
[8] Putra Bahtera Jaya Bangun, Sisaca Octarina, and
Gusti Ahta Virgo, "Penerapan Konsep Algoritma
Genetka
untuk
Penjadwalan
Kegiatan
Perkuliahan Semester Ganjil Kurikulum 2012 di
Jurusan Matematika F MIPA UNSRI," Jurnal
Penelitian Sains, vol. Volume 15 Nomor 2(A),
pp. 55-59, April 2012.
[9] Eri Walid Fattin, Esmeralda C. Djamal, and
Agus Komarudin, "Optimalisasi Penjadwalan
Perjalanan Kereta Api Padalarang- Bandung
Menggunakan Algoritma Genetika," in SENIJA,
Cimahi, 2015.
3.2 Saran
Dalam pengembangan lebih lanjut mengenai
penelitian ini, maka diberikan saran antara lain
penambahan kriteria yaitu penempatan dosen
disesuaikan dengan keinginan mahasiswa serta
perbaikan pada operator Algoritma Genetika yang
digunakan harus dapat mengahasilkan solusi yang
lebih baik dari evolusi sebelumya (konvergen).
4
PUSTAKA
[1] S Romauli, "Pemanfaatan Algoritma Genetika
Pada Aplikasi Penempatan Buku Untuk
Perpustakaan Sekola," Pelita Informatika Budi
Darma, vol. VI, Nomor 2, pp. 113-118, April
2014.
[2] Ela Yulianti, Esmeralda C. Djamal, and Agus
Komarudin,
"Optimalisasi
Penjadwalan
Perkuliahan Di Fakultas MIPA Unjani
Menggunakan Algoritma Genetik dan Tabu
Search," in Seminar Nasional Informatika dan
Aplikasinya, Cimahi, 2013.
[3] Fachrudin Afandi, Mahendra ER, and Faizal
Mahananto, "Penerapan Algoritma Genetik
untuk Masalah Penjadwalan Job Shop Pada
Lingkungan Industri Pakaian," Jurnal Penelitian
Sains, pp. 1-7, 2009.
[4] Fatan Kasyidi, Esmeralda C. Djamal, and Agus
Komarudin, "Optimalisasi Penempatan Sumber
Daya
Manusia
Berdasarkan
Proyek
Menggunakan Algortima Genetik," in Seminar
Nasional Jenderal Achmad Yani, Cimahi, 2014.
[5] Arifudin, "Optimalisasi Penjadwalan Proyek
Dengan Penyeimbangan Biaya Menggunakan
Kombinasi CPM dan Algoritma Genetik," Jurnal
Masyarakat Informatika, ISSN 2086-4930, vol.
2, No. 4, pp. 1-14.
[6] Nur Azmi, Irawadi Jamaran, Yandra Arkeman,
and Djumall Mangunwidjaja, "Penjadwalan
Pesanan Menggunakan Algoritma Genetik Untuk
Tipe Produksi Hybrid And Flexible Flowshop
Pada Industri Kemasan Karton," Jurnal Teknik
Industri, ISSN : 1411-6380, pp. 176-188.
[7] Agus Widodo Wahyu and Wayan Firdaus
Mahmudy, "Penerapan Algoritma Genetika Pada
497