OTOMASI PENJADWALAN KEGIATAN

OTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI
PERGURUAN TINGGI MENGGUNAKAN METODE
ALGORITMA GENETIKA
( STUDI KASUS STIKI )
Siska Diatinari Andarawarih 1)
1)
Program Studi Teknik Informatika, Sekolah Tinggi Informatika & Komputer Indonesia
(STIKI) Malang
Email : [email protected]
ABSTRAK
Artificial Inteligent merupakan kecerdasan tiruan yang menyerupai tingkah laku mesin
yang dilakukan oleh manusia, salah satu metode yang terdapat dalam Artificial Inteligent adalah
metode algoritma genetika. Algoritma genetika merupakan teknik pencarian dengan data yang
beragam yang dilakukan dengan menghasilkam sejumlah solusi atau dikenal dengan istilah
populasi. Hal ini juga di alami oleh STIKI, dimana data mata kuliah setiap semester nya selalu
beragam dan menghasilkan data yang cukup banyak, dengan memperhatikan waktu serta kelas
yang beragam untuk membentuk sebuah jadwal mata kuliah dengan kombinasi terbaik. Dalam
penggunaan metode algoritma genetika harus mendapatkan populasi awal terlebih dahulu yang
nanti nya akan dihitung nilai fitness dan nilai probabilitas. Jika sudah dihasilkan nilai fitness dan
probabilitas dilakukan pembentukan populasi baru atau generasi baru dengan perhitungan 20%
elitism, 70% crossover (pindah silang), 10% mutasi. Jika sudah didapatkan dengan perhitungan
tersebut, maka proses pembuatan jadwal mata kuliah telah selesai.
Kata Kunci :penjadwalan mata kuliah, artificial intelligent, algoritma genetika.
1
berfokus pada pencarian parameter-parameter
optimal.
Algoritma genetika merupakan salah satu
algoritma
yang
tepat
digunakan
untuk
menyelesaikan masalah optimasi yang kompleks,
yang sulit di selesaikan dengan metode
konvensional. Keunggulan algoritma genetika dari
pada algoritma yang lainnya dalam proses optimasi
[7] :
Algoritma genetika tidak terlalu banyak
memerlukan persyaratam penyelesaian
proses optimasi.
Terdapat batasan waktu, misalnya dalam
real time systems atau sistem waktu nyata.
Serta berdasarkan penelitian yang ada
Algoritma genetika tersebut telah diterapkan untuk
penyusunan jadwal kelas dan penentuan asisten
pengajar laboratorium namun sistem tersebut hanya
dapat menyimpan jadwal dalam satu periode saja
serta database yang digunakan juga masih belum
terintegerasi atau terhubung dengan sistem lain
yang terdapat di BAA [1].
Berdasarkan alasan di atas, hal inilah yang
mendorong dilakukan nya penelitian untuk otomasi
penjadwalan kegiatan perkuliahan di Perguruan
Tinggi menggunakan metode Algortima Genetika
(studi kasus STIKI).
Dari penjabaran diatas maka dapat ditarik
rumusan masalah yang ada yaitu, Bagaimana
mengimplementasikan algoritma genetika agar
dapat digunakan untuk penjadwalan sehingga di
peroleh jadwal mata kuliah dengan kombinasi
terbaik.
1.
PENDAHULUAN
Sekolah Tinggi Informatika dan Komputer
Indonesia (STIKI) merupakan lembaga pendidikan
tinggi di Kota Malang yang bergerak di bidang
Infromatika yang bertugas mencetak lulusan
Sarjana (S1) , Ahli Madya (D3) dan Diploma Satu
(D1) di bidang Informatika.Untuk menjalankan
fungsinya, STIKI mempunyai beberapa unit kerja
dengan tanggung jawab yang beragam. Salah
satunya adalah Biro Administrasi Akademik
(BAA).
Salah satu fungsi BAA adalah menyusun
jadwal mata kuliah di STIKI, penyusunan jadwal
mata kuliah dilakukan secara manual dan dalam
kenyataanya penyusunan jadwal mata kuliah bukan
lah hal yang mudah serta membutuhkan waktu
yang tidak sedikit.Menurut Setiawan (2012) dalam
penyusunan jadwal mata kuliah terdapat beberapa
hal yang harus diperhatikan yaitu [1]:
Dosen
mempunyai
beberapa
bidang
kompetensi yang dikuasai.
Terdapat beberapa keterbatasan jumlah ruang
kelas dan laboratorium.
Dosen yang ada bukan dosen tetap, tetapi ada
dosen luar biasa (Dosen LB) yang merupakan
dosen honorer dengan jadwal yang tidak
fleksibel, dimana jadwal dosen luar biasa ini
selalu berubah ubah sehingga membutuhkan
permintaan khusus untuk menyesuaikan
dengan jadwal mereka.
Namun di penelitian tersebut tidak dapat di
implementasikan dikarenakan database yang
digunkan masih belum terintegrasi atau terhubung
dengan sistem BAA yang lain.
Kemudian dalam penyusunan jadwal mata
kuliah tersebut, terdapat beberapa permasalahan
yang menghambat penyusunan jadwal mata kuliah,
antara lain :
Pengaturan jadwal mata kuliah di setiap awal
semester yang dilakukan oleh BAA masih
menggunakan matriks untuk memindahkan
setiap jadwal mata kuliah agar tidak terjadi
tumbukan.
Pengaturan jadwal mata kuliah yang banyak,
spesifikasi ruangan kelas yang beragam agar
tidak digunakan di mata kuliah pada jam ,hari
dan ruang kelas yang sama.
Oleh karena itu dibutuhkan suatu metode optimasi
untuk menyelesaikan permasalahan di atas.
Dalam bidang ilmu komputer banyak para ilmuwan
yang ahli dalam pengembangan kecerdasan buatan
atau Artificial Intelligence (AI), dan salah satu
perkembangan tersebut terdapat sebuah metodologi
Algoritma genetika. Algortima genetika telah
dipelajari, diteliti, serta telah diaplikasikan secara
luas di berbagai biadang. Algortima Genetika
banyak digunakan pada masalah praktis yang
2. TINJAUAN PUSTAKA
2.1. Kajian Penelitian Sejenis
1. Santoso(2006) melakukan penelitian dengan
tujuan membuat desain aplikasi penentuan
jadwal mengajar Asisten di Laboratorium
STIKI yang dapat membantu pihak STIKI
yaitu admin, BAA dan Ka.Prodi dalam
melakukan
penjadwalan
mata
kuliah
praktikum. Namun pada sistem yang dibuat
oleh peneliti tersebut masih belum terintegrasi
atau terhubung dengan sistem perwalian yang
terdapat di STIKI Malang dan masih mengacu
pada penjadwalan di mata kuluiah praktikum
saja. Selain itu database yang digunakan pada
sistem tersebut berdiri sendiri, yang artinya
database tersebut terpecah dari database yang
digunakan oleh BAA STIKI Malang.[1]
2. Setiwan(2012) melakukan penelitian dengan
tujuan membuat sistem aplikasi penjadealan
yang dapat membantu pihak STIKI yaitu
admin, BAA dan Ka.Prodi dalam melakukan
penjadwalan mata kuliah yang terdapat di
STIKI. Namun pada sistem yang dibuat oleh
peneliti tersebut masih belum terintegrasi
2
atau terhubung dengan sistem perwalian yang
sudah ada di STIKI Malang . Selain itu
database yang digunakan pada sistem tersebut
berdiri sendiri.Yang artinya database tersebut
juga terpecah dari database yang digunakan
oleh BAA STIKI Malang dan sistem yang
terdapat di bagian akademik.[2]
2.2. Algoritma Genetika
Algortima genetika adalah algortima pencarian
heuristik yang di dasarkan atas mekanisme evolusi
biologis. Keberagaman pada evolusi biologis
adalah variasi dari kromoson antar individu
organisme.
Pada algoritma genetika, teknik pencarian
dilakukan sekaligus atas sejumlah solusi yang
mungkin dikenal dengan istilah populasi. Individu
yang terdapat dalam satu populasi disebut dengan
kromosom. Kromosom ini merupakan suatu solusi
yang masih berbentuk simbol. Populasi awal
dibangun secara acak, sedangkan populasi
berikutnya merupakan hasil evolusi kromoson –
kromoson melalui iterasi yang disebut dengan
istilah generasi. Pada setiap generasi, kromoson
akan melalui proses evolusi dengan menggunakan
alat ukur yang disebut dengan nilai fitness. Nilai
fitness dari suatu kromoson akan menunjukkan
kualitas kromoson dalam populasi tersebut.
Generasi berikutnya dikenal dengan istilah anak
(offspring) terbentuk dari gabungan 2 kromosom
generasi sekarang yang bertindak sebagai induk
(parent)
dengan
menggunakan
operator
penyilangan
(crossover).
Selain
operator
penyilangan, suatu kromoson dapat juga
dimodifikasi dengan menggunakan operator
mutasi. Populasi generasi yang baru dibentuk
dengan cara menyeleksi nilai fitness dari koromon
anak (offspring), serta menolak kromoson –
kromoson yang lainnya sehingga ukuran populasi (
jumlah kromoson dalam suatu populasi ) konstan.
Setelah melalui beberapa generasi, maka algoritma
ini akan memliliki kromoson yang terbaik [3].
2.
3.
4.
5.
Mendefinisikan
nilai
fitness,
yang
merupakan ukuran baik tidaknya sebuah
individu atau baik tidaknya solusi yang
didapatkan.
Menentukan proses pembangkitan populasi
awal, hal ini biasa dilakukan dengan
menggunakan pembangkitan acak seperti
random.
Menentukan proses seleksi yang akan
digunakan.
Menentukan proses perkawinan silang
(cross-over) dan mutasi gen yang akan
digunakan.
2.3.1. Perancangan Alur Proses
Dibawah ini merupakan flowchart alur
proses dari algoritma genetika yang digunakan
pada sistem ini [4]:
2.3. Hal – hal yang harus diperhatikan dalam
menggunakan algortima genetika
Beberapa hal yang harus dilakukan dalam
menggunakan Algoritma Genetika adalah [4] :
1. Mendefinisikan Individu, dimana individu
menyatakan salah satu solusi (penyelesaian)
yang mungkin dari permasalahan yang di
angkat.
Gambar 3.1 – Flowchart algoritma apriori
3
Pada gambar activity diagram diatas, alur proses
nya adalah sebagai berikut :
1. Ka. BAA memasukkan data dosen, mata kuliah,
waktu ,ruangan dan hari.
2. Ka. BAA memasukkan jadwal dosen Luar
Biasa (LB) dimana dosen tersebut hanya bisa
mengajar di jam – jam tertentu.
3. Ka. BAA memasukkan data ruangan khusus
yang ruangan tersebut hanya digunakan untuk
mata kuliah tertentu saja.
4. Kemudian Ka. BAA dapat melakukan generate
jadwal setelah data tugas mengajar, data jadwal
dosen LB, serta data ruangan khusus
dimasukkan.
5. Selanjutnya BAA dapat melihat list jadwal dari
proses generate jadwal. Namun selain ka. BAA,
Staf BAA juga dapat melihat hasil dari proses
generate jadwal.
6. Ka. BAA selanjutnya dapat memeriksa jadwal
yang sudah ada, namun jika masih terdapat
jadwal bentrok, Ka. BAA dapat merubah jadwal
tersebut sampai jadwal yang sudah benar dapat
dilakukan validasi.Setelah proses generate Ka.
BAA dapat ekspor jadwal tersebut ke dalam
bentuk excel atau memo.
3. Perancangan
3.1. Use Case
Gambar di bawah ini merupakan use case
untuk Ka. BAA sebagai user utama dari aplikasi
ini.
View Data Mata
Kuliah
View Data Dosen
View Data
Ruangan
View Data Waktu
View Data Hari
Insert Data Tugas
Mengajar
Ka. BAA
Edit Data Tugas
Mengajar
generate Jadwal
View Jadwal
Ek spor Jadwal
Gambar 3.3 – Use case diagram
3.3. Sequence Diagram
Berikut ini merupakan sequence diagram untuk
staf. BAA dimana user tersebut tidak mendapatkan
hak akses untuk melakukan proses generate jadwal,
namun fitur yang diberikan untuk Staf. BAA
meliputi : form data, form tugas mengajar dan form
jadwal.
3.2. Activity Diagram
Berikut ini merupakan activity diagram
dari aplikasi ini, yaitu :
Gambar 3.5 – Sequence diagram untuk Staf.
BAA
Berikut ini merupakan sequence diagram
untuk proses generate jadwal mata kuliah.
Gambar 3.4 – Activity Diagram
4
3.5. Desain Menu
Gambar 3.6 – Sequence diagram proses generate
Proses sequence diagram diatas adalah, Ka.
BAA dapat masuk kedalam form generate jadwal
melalui form utama. Hasil yang nanti diterima Ka.
BAA setelah melakukan proses generate adalah
daftar jadwal mata kuliah.
3.4. Perancangan Database
Gambar di bawah ini merupakan ERD dari Sistem
aplikasi penjadwalan mata kuliah, dimana nantinya
akan menjadi table-tabel yang ada pada database
untuk media penyimpanan datanya.
Gambar 3.8 – Desain menu sistem
3.6. Perancangan Algoritma Genetika untuk
mata kuliah, ruangan dan waktu.
3.6.1. Representasi genetika
Terdapat sebaran tabel mata kuliah, waktu,
dan hari, kemudian dari table tersebut dilakukan
pengacakan yang menhasilkan data, data tersebut
berupa satu populasi, yang di dalam nya terdapat
11 kromosom dengan masing masing kromosom
terdapat allele sejumlah banyak nya mata kuliah
yang ada[5].
Setelah dilakukan pengacakan, di hitung
nilai fitness dan nilai probabilitas, kemudian di
hitung kembali dengan menggunakan parameter 20
% elitism, 70% cross over (pindah silang), dan 10
% mutasi. Setelah dihitung kembali menggunakan
parameter di atas, maka terbentuklah sebuah
generasi baru .
Generasi baru ini dilakukan sampai dengan
generasi atau perulangan yang diinginkan atau
sampai mencapai nilai fitness yang paling optimal
dari satu populasi [6].
3.7. Desain Form
Desain form-form yang akan digunakan pada
sistem ini adalah sebagai berikut : form log in,
form menu utama, form tugas mengajar, form
ploting jadwal, form kelas khusus, form generate
jadwal, form populasi awal, form hasil akhir, form
hasil akhir jadwal mata kuliah.
Gambar 3.7 – ERD Sistem aplikasi penjadwalan
mata kuliah
5
dimana dosen tersebut dapat memasukkan jam dan
hari waktu mengajar.
4. HASIL DAN PEMBAHASAN
4.1. Implementasi
Form Utama adalah form awal dari aplikasi ini
yang muncul sebelum user melakukan login.
Gambar 4.4 – Form data ploting jadwal
Form kelas khusus digunakan untuk
memasukkan kelas yang kelas tersebut hanya dapat
digunakan untuk mata kuliah tertentu saja.
Gambar 4.1 – Form utama
Form menu utama merupakan form yang
berisikan fitur data, tugas mengajar, generate mata
kuliah dan form jadwal.
Gambar 4.5 – Form kelas khusus
Form student
day digunakan
untuk
menjadwalkan jadwal studeny day yang pada
waktu jam tersebut tidak boleh ada proses belajar
mengajar.
Gambar 4.2 – Form menu utama
Form tugas mengajar berisikan data dosen
yang mengajar di mata kuliah yang di ampu.
Gambar 4.6 – Form student day
Gambar 4.3 – Form tugas mengajar
Form acak jadwal merupakan form yang
berisikan data dari tugas mengajar, dari data
tersebut dilakukan pengacakan .dari proses tersebut
dihitung pula nilai fitness dan nilai probabilitas, di
dalam form ini dapat dikatakan sebagai
pembentukan populasi baru.
Form ploting jadwal dapat digunakan jika
dosen yang bersangkutan melakukan pemesanan
terlebih dahulu, menu ini disesuaikan dengan
pemesana yang biasa dilakukan oleh dosen LB,
6
Form ekspor jadwal ke excel merupakan form
untuk mengeksport atau memindahkan hasil jadwal
berupa data mata kuliah ke dalam bentuk excel.
Gambar 4.7 – Form acak jadwal
Form generasi baru merupakan form
pembentukan generasi baru yang datanya berasal
dari pembentukan populasi baru. Dimana populasi
baru tersebut di hitung berdasarkan parameter yang
sudah di jelaskan di atas. Dari proses tersebut
hasilnya di kelompokkan menjadi sebuah generasi
baru yang proses perulangan nya sesuai dengan
kebutuhan yang diinginkan. Dan di dalam form ini
proses algoritma genetika dilakukan.
Gambar 4.10 – hasil ekspor ke excel
Form ekspor jadwal ke csv merupakan fitur
yang digunakan untuk mengekspor jadwal tersebut
ke dalam bentuktext kemudian dari format data
tersebut akan di masukkan ke dalam system
SIAKAD, dimana nanti di dalam system SIAKAD
akan dilakukan proses validasi..
.
Gambar 4.8 – Form generasi baru
Form hasil akhir merupakan data jadwal mata
kuliah dari hasil proses generate, di dalam form
tersebut disampaikan pula jadwal yang bentrok dan
yang tidak bentrok. Dengan kondisi bentrok
keterangan nya adalah true sedangkan yang tidak
bentrok keterangan nya adalah false
Gambar 4.11 – Form hasil ekspor csv
Gambar 4.9 – Form hasil akhir
Form jadwal merupakan form yang berisikan
data mata kuliah setelah proses generate dilakukan,
7
-
Percobaan 1
Gambar 4.12 – Form jadwal
4.2. Pembahasan
4.2.1. Hasil Percobaan
Untuk dapat mengetahui apakah fungsi
algoritma genetika yang telah diaplikasikan dapat
berfungsi dengan benar maka harus dilakukan
pengujian di dalam proses generate jadwal. Pada
pengujian ini yang harus di perhatikan adalah
parameter yang digunakan, yaitu :[6]
Parameter
Ellitisme
Pindah silang
(Crossover)
Nilai Parameter
20 %
70 %
Mutasi
10 %
Gambar 4.14 – percobaan 1
-
Percobaan 2
Gambar 4.13 – parameter
Langkah langkah yang dilakukan dalam pengujian
tersebut adalah :
1. Mengisi data yang digunakan, yaitu data tugas
mengajar, data ploting dosen ( jika ada
permintaan mengajar di jam – jam tertentu),
data student day, dan jika diperlukan mengisi
data kelas khusus.
2. Memilih menu generate jadwal di dalam form
utama, pilih tombol acak jadwal.
3.
Setelah memilih proses generate, pilihlah tab
generasi baru Dimana di dalam tab tersebut
parameter yang digunakan dimasukkan ke
dalam proses ini. Proses yang menghitung
nilai ellitisme, cross over ( pindah silang ) dan
mutasi yang digunakan untuk menciptakan
populasi awal sebanyak yang kita inginkan
dengan maksimal 100 proses generasi.
Berikut ini merupakan hasil dari implementasi
dengan percobaan 3 pembentukan populasi baru,
dengan masing – masing populasi 50 kali
pembentukan generasi , yaitu :
Gambar 4.15 – percobaan 2
-
Percobaan 3
Gambar 4.16 – percobaan 3
8
5.
5.2. Saran
Berdasarkan penelitian yang telah dilakukan ,
terdapat beberapa saran untuk pengembangan
aplikasi penjadwalan mata kuliah ini, yaitu :
1. Diharapkan sistem dapat dikembangkan lagi
agar proses penambahan data tugas mengajar
dapat berjalan dengan maksimal,khususnya
pada form ploting jadwal dan student day.
2. Diharapkan untuk booking jadwal atau ploting
jadwal dapat diterapkan untuk dosen yang
dapat melakukan booking jadwal berdasarkan
hari saja.
3. Diharapkan jadwal student day yang ada
ditampilkan dalam bentuk data dinamis bukan
dalam bentuk data yang statis.
Dari hasil percobaan diatas, dapat dilihat
menggunakan grafik.
6. DAFTAR PUSTAKA
[1] Santoso A (2006). “Desain Aplikasi Penentuan
Jadwal Mengajar Asisten Laboratorium STIKI
Menggunakan Algortima Genetika “. STIKI.
Malang
[2] Setiawan A.(2012) .“Sistem Penjadwalan
Kuliah Untuk Memudahkan
Tugas Biro
Administrasi Akademik Dengan Menggunakan
Algoritma Genetika (Studi Kasus STIKI)”.
STIKI. Malang.
[3] Efraim T, Aronson E J, McCarthy.V
R,(2005)."Decision Support and Intelligent
System(Sistem Pendukung Keputusan dan
Sistem Cerdas)".Yogyakarta : Peberbit Andi
Yogyakarta
[4] Purnomo, Mauridhi Hery (2002). Dasar
Algoritma Cerdas. Yogyakarta : Graha Ilmu.
[5] Sam’ani, (2012). “Rancang Bangun Sistem
Penjadwalan Perkuliahan dan Ujian Akhir
Semester dengan Pendekatan Algoritma
Genetika”. Univeristas Diponegoro Semarang.
Semarang .
[6] R. Fariz, (2012).” Implementasi algoritma
genetika pada sistem penyusunan Jadwal KRS
berbasis website di program Teknologi
informasi
dan
ilmu
komputer
(PTIIK)”.Universitas Brawijaya.Malang
[7] Suyanto, (2005). “Algoritma Genetika dalam
Matlab”. Yogyakarta : Penerbit Andi
Yogyakarta
Gambar 4.17 – hasil percobaan dalam
grafik
6.
Dari proses memasukkan data tugas
mengajar dan proses generate telah
dilakukan, maka hasil akhirnya adalah
dengan nilai fitness yang tertinggi dengan
jadwal bentrok yang paling sedikit. Jika
dilihat dari tabel diatas maka hasil yang
optimal percobaan yang ke 2 dengan nilai
fitness nya 0.11 dengan 8 mata kuliah
yang bentrok, 5 jadwal yang telah di
booking serta 49 jadwal mata kuliah yang
tidak bentrok.
5. KESIMPULAN
5.1. Kesimpulan
Dari hasil analisa penerapan algoritma
genetika pada penjadwalan mata kuliah, maka
dapat disimpulkan bahwa :
1. Implementasi algortima genetika dapat
digunakan untuk mendapatkan jadwal mata
kuliah setiap semester.
2. Implementasi algoritma genetika untuk
pembangkitan populasi awal menggunakan
parameter perhitungan 20% elitisme, 70%
pindah silang ( cross - over ), dan 10% mutasi
menghasilkan jadwal mata kuliah terbaik
dengan nilai fitness nya adalah 0.11 serta
dengan 8 mata kuliah yang bentrok, 5 jadwal
yang telah di booking dan terdapat 49 data
mata kuliah yang tidak bentrok.
3. Semakin besar nilai fitness yang dihasilkan
maka sedikit jadwal yang mengalami bentrok,
namun semakin kecil nilai fitness akan
menghasilkan banyak jadwal mata kuliah
yang bentrok.
9