P. 1
Penerapan Algoritma Genetika Pada Penjadwalan Mata Kuliah

Penerapan Algoritma Genetika Pada Penjadwalan Mata Kuliah

|Views: 3,182|Likes:
Published by Mery Hardani
Proposal Tugas Akhir Mery Hanita
Proposal Tugas Akhir Mery Hanita

More info:

Published by: Mery Hardani on Jul 04, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

10/12/2014

pdf

text

original

PENERAPAN ALGORITMA GENETIKA PADA PENJADWALAN MATA KULIAH

(Studi Kasus: Program Studi Matematika FMIPA Universitas Bengkulu)

PROPOSAL
TUGAS AKHIR

Oleh MERY HANITA F1A007050

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS BENGKULU 2011

1

KATA PENGANTAR

Segala puji hanya milik Allah SWT yang telah memahatkan dawai cinta-Nya di seluruh jagat raya, berdenting menebarkan orkestra kedamaian keseluruh penjuru, sehingga penulis dapat menyelesaikan penulisan skripsi yang yang berjudul PENERAPAN ALGORITMA GENETIKA PADA PENJADWALAN MATA

KULIAH (Studi Kasus: Program Studi Matematika FMIPA Universitas Bengkulu),
untuk memenuhi salah satu syarat memperoleh gelar Sarjana Sains Program Studi

Matematika Universitas Bengkulu. Shalawat dan salam disenandungkan untuk kekasihNya Muhammad SAW yang telah memainkan dawai cinya-Nya dan memperdengarkan kepada seluruh makhluk di alam semesta, sehingga mereka merasakan sentuhan halus dari simfoni Allah dalam kehidupannya. Skripsi ini di Penulis menyadari sepenuhnya bahwa dalam melaksanakan penelitian sampai terwujudnya skripsi ini telah banyak mendapatkan pengetahuan, bimbingan, pengarahan dan bantuan dari berbagai pihak baik secara langsung maupun tidak langsung, baik secara moril maupun materil. Untuk itu pada kesempatan ini penulis mengucapkan terima kasih kepada: 1. Bapak Drs. Rizwar, M.S. selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Bengkulu 2. Bapak Drs. Mudin Simanihuruk, M.Sc, Ph.D selaku Ketua Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Bengkulu. 3. Bapak Drs. Fanani Haryo Widodo, M.Sc selaku Dosen Pembimbing Utama yang telah banyak meluangkan waktu dalam penulisan skripsi ini.

i

4.

Ibu Zulfia Memi Mayasari, S.Si, M.Si selaku Dosen Pembimbing Pendamping yang telah meluangkan waktu dalam memberikan bimbingan, arahan, motivasi, dan masukan dalam penulisan skripsi ini.

5.

Bapak Drs. Syahrul Akbar, M.Pd. dan Bapak Jose Rizal, S.Si, M.Si. selaku Dosen Penguji yang telah memberikan masukan dan saran dalam penulisan skripsi ini.

6.

Ibu Dra. Baki Swita, M.Sc selaku pembimbing akademik yang selalu memberikan dukungan dan masukan.

7.

Bapak dan Ibu Dosen Jurusan Matematika yang telah memberikan ilmu pengetahuan kepada penulis.

8. 9.

Staf-staf Administrasi di Fakultas Matematika dan Ilmu Pengetahuan Alam. Ayah dan ibu yang selalu mendoakan, memberikan motivasi serta rasa cinta dan sayang, perhatian dan semua yang terbaik untukku. Adik-adikku (Tia dan Manda) yang senantiasa memberikanku semangat agar terus berjuang mencapai yg kuinginkan. Keep Hamasah Bu Guru PAUD dan Pak Guru BK.

10. 11.

Marshmallow (Yati, Febri, Vie, Gusti, Dale’). Anak matematika B angkatan ‘07(Yati, Febri, Nora, Vie, Gusti, Dale’, Dephe, Hilda, Anton, Aldy, Hendri, Kak Hengki, Mashurdi, Serly, Lundu, Hengki Primadona, Azhari).

12.

Anak OR (Yati, Febri, Nora, Vie, Dephe, Anton, Aldy, Hendri, Lundu, Hengki Primadona, Azhari, Dona, Dewi, Heni, Clara, Eti, Fitri, Doly, Oon).

13. 14.

Rekan-rekan di GSI (eti, rani, pera, mba galih, mba mimi, ayu’ sure). Kak ardi, kak agus, kak ipung, eko.

ii

15.

Teman-teman KKN Ujung Karang (Bayu, Ryan, Abang Diko, Nina, Ratna, Ima).

16. 17.

Rekan-rekan Matematika ’07, ’08, ’09, ’10, ’11. Semua pihak yang telah membantu dalam penyelesaian skripsi ini, yang tidak dapat penulis sebutkan satu persatu.

Semoga Allah memberikan pahala yang berlipat ganda atas segala bantuan dan kemurahan hati semua pihak yang telah membantu penulis dalam menyelesaikan skripsi ini. Penulis menyadari bahwa penyajian skripsi ini masih jauh dari sempurna, untuk itu kritik dan saran yang sifatnya membangun sangat penulis harapkan. Semoga skripsi ini dapat bermanfaat bagi kita semua sebagai sumbangan ilmu pengetahuan baik dimasa sekarang maupun dimasa yang akan datang. Aamiin…

Bengkulu, Oktober 2011

Penulis

iii

DAFTAR ISI Halaman HALAMAN JUDUL ................................................................................................... KATA PENGANTAR.................................................................................................. DAFTAR ISI ................................................................................................................ BAB I PENDAHULUAN 1.1 1.2 1.3 1.4 1.5 1.6 Latar Belakang ............................................................................................ Perumusan Masalah .................................................................................... Batasan Masalah ......................................................................................... Tujuan Penelitian ........................................................................................ Manfaat Penulisan ...................................................................................... Sistematika Penulisan ................................................................................. BAB II TINJAUAN PUSTAKA 2.1 2.2 2.3 Permasalahan Optimasi .............................................................................. Penjadwalan Mata Kuliah .......................................................................... Algoritma Genetika .................................................................................... 2.3.1 Pengertian Algoritma Genetika ....................................................... 2.3.2 Struktur Umum Algoritma Genetika ...............................................
2.3.3 Komponen-komponen Utama Algoritma Genetika ........................

i ii iv

1 4 4 5 5 5

7 8 10 11 12 16 16 16 16 17 18 21

1. Teknik Pengkodean .................................................................... 2. Prosedur Inisialisasi ................................................................... 3. Fungsi Evaluasi .......................................................................... 4. Seleksi ......................................................................................... 5. Operator Genetika ...................................................................... 6. Parameter Kontrol ..................................................................... 2.4 Penelitian Penjadwalan Mata Kuliah dan Algoritma Genetika

iv

yang Pernah Dilakukan ............................................................................. BAB III METODE PENELITIAN 3.1 Jenis Penelitian .............................................................................................. 3.2 Waktu dan Tempat ...................................................................................... 3.3 Data yang diperlukan .................................................................................. 3.4 Teknik Pengumpulan Data ......................................................................... 3.5 Analisis Data ..............................................................................................

22

24 24 24 25 25

DAFTAR PUSTAKA

v

BAB I PENDAHULUAN

1.1

Latar Belakang Salah satu masalah penjadwalan yang umum dijumpai di perguruan tinggi adalah

masalah penjadwalan mata kuliah. Penjadwalan mata kuliah merupakan proses penyusunan jadwal pelaksanaan yang menginformasikan sejumlah mata kuliah yang diberikan, dosen yang mengajar, ruang tempat belajar, waktu serta mahasiswa yang mengambil mata kuliah tersebut. Di setiap semester, beberapa universitas menghadapi permasalahan yang sama, yaitu bagaimana menjadwalkan mata kuliah dengan kendala waktu, dosen yang tersedia, kapasitas ruangan yang terbatas, dan mahasiswa yang mengambil mata kuliah, dimana proses penjadwalan tersebut tetap memperhatikan sejumlah batasan dan syarat-syarat tertentu. Untuk menyusun jadwal mata kuliah yang baik kita perlu memperhatikan berbagai aspek yang mempengaruhi penjadwalan mata kuliah. Dari aspek dosen, kita perlu memperhatikan kemungkinan dosen yang bersangkutan tidak dapat mengajar karena kegiatan akademik yang lain, dosen mengajar lebih dari satu mata kuliah pada hari dan jam yang sama serta dosen sudah memiliki jadwal mengajar di jurusan lain. Peneliti juga perlu memperhatikan dari aspek mahasiswa ada atau tidaknya jadwal mata kuliah yang beririsan dengan jadwal kuliah angkatan sebelumnya maupun sesudahnya sehingga mahasiswa dapat mengambil mata kuliah angkatan sebelumnya maupun sesudahnya. Selain itu, perlu diperhatikan juga dari aspek ketersediaan ruangan belajar dan ruang praktikum pada mata kuliah yang berpraktikum agar proses perkuliahan dapat terlaksana. 1

Berdasarkan aspek-aspek di atas, dalam penyusunan jadwal kuliah terdapat banyak kemungkinan yang dapat dicoba untuk menemukan penjadwalan yang

2

baik. Oleh karena itu dibutuhkan metode optimasi yang dapat diterapkan untuk mengerjakan penjadwalan mata kuliah. Masalah optimasi dapat diselesaikan dengan beberapa cara, salah satunya dengan menggunakan algoritma pencarian heuristik. Untuk kasus yang sederhana digunakan algoritma pencarian heuristik yang biasa seperti breadth-first search and depth-first search. Untuk input dan persyaratan yang lebih rumit seperti pada kasus penjadwalan mata kuliah, algoritma pencarian heuristik sudah tidak dapat digunakan dengan baik untuk mendapatkan solusi yang diinginkan. Dalam kasus penjadwalan mata kuliah, diperlukan algoritma yang lebih baik yaitu algoritma yang dapat menyelesaikan masalah multi-kriteria dan multi-objektif. Salah satu algoritma yang dapat digunakan adalah algoritma genetika. Ada tiga keunggulan dari aplikasi algoritma genetika dalam proses optimasi (Sanjoyo, 2006) yaitu: a. Algoritma genetika tidak terlalu banyak memerlukan persyaratan matematika dalam penyelesaian proses optimasi. Algoritma genetika dapat diaplikasikan pada beberapa jenis fungsi obyektif dengan beberapa fungsi pembatas baik berbentuk linier maupun non-linier. b. Operasi evolusi dari algoritma genetika sangat efektif untuk mengobservasi posisi global secara acak. c. Algoritma genetika mempunyai fleksibilitas untuk diimplementasikan secara efisien pada problematika tertentu. Proses evolusi menjadi ciri spesifik dari algoritma genetika, suatu proses seleksi alamiah yang berdasarkan prinsip genetika dan pemilihan alami pada individu secara terusmenerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan hidupnya,

2

sehingga terseleksi individu-individu yang kuat yang mampu bertahan sebagai hasil optimal (Basuki, 2003; Haupt, 2004). Algoritma genetika dapat digunakan untuk menyelesaikan permasalahan optimisasi yang rumit (hard optimization problems) yang tidak dapat diselesaikan dengan teknik optimasi tradisional seperti masalah penjadwalan, transportasi, permainan komputer, traveling salesman problem (TSP), dan lain-lain. Perbedaan algoritma genetika dengan algoritma pencarian lainnya, antara lain (Goldberg, 1989): a. Algoritma genetika secara langsung bekerja dengan string yang mempresentasikan kumpulan parameter. b. Algoritma genetika menggunakan keputusan probabilistik (non deterministik) dalam pencarian solusinya. Ciri-ciri permasalahan yang dapat dikerjakan dengan menggunakan algoritma genetika adalah (Basuki, 2003): a. Mempunyai fungsi tujuan optimalisasi non linear dengan banyak kendala yang juga non linear. b. Mempunyai kemungkinan solusi yang jumlahnya banyak. c. Membutuhkan solusi “real-time” dalam arti solusi dapat diperoleh dengan cepat. d. Mempunyai multi-objektif dan multi-kriteria. Algoritma genetika merupakan pendekatan komputasional untuk menyelesaikan masalah yang dimodelkan dengan proses biologi dari evolusi. Diharapkan dengan digunakannya algoritma genetika akan diperoleh optimasi penjadwalan mata kuliah dimana terjadi kombinasi terbaik untuk pasangan mata kuliah dan dosen pengajar secara keseluruhan, serta tidak ada permasalahan jadwal yang beririsan.

3

Berdasarkan uraian di atas, penulis ingin mengambil topik yang berkaitan dengan penjadwalan mata kuliah dan algoritma genetika dengan judul PENERAPAN ALGORITMA GENETIKA PADA PENJADWALAN MATA KULIAH (Studi Kasus Program Studi Matematika FMIPA Universitas Bengkulu).

1.2

Perumusan Masalah Berdasarkan latar belakang masalah, disusun perumusan permasalahan yaitu

bagaimana menyelesaikan permasalahan penjadwalan mata kuliah dengan algoritma genetika sehingga diperoleh kombinasi terbaik untuk pasangan mata kuliah dan dosen pengajar.

1.3

Batasan Masalah Agar penelitian ini lebih terarah, penelitian dilakukan pada penjadwalan mata

kuliah di Program Studi Matematika FMIPA Universitas Bengkulu pada semester ganjil Tahun Akademik 2011/2012. Dalam proses penyelesaian masalah penjadwalan mata kuliah terdapat batasan-batasan yang harus dipenuhi. Batasan-batasan yang harus dipenuhi tersebut antara lain: a. Dosen dapat mengajar lebih dari satu mata kuliah dan tidak boleh terjadi irisan pada jadwal dosen tersebut. b. Satu mata kuliah dapat diajarkan oleh dua orang dosen atau lebih. c. Terdapat mata kuliah tertentu yang menggunakan ruang laboratorium yang harus dijadwalkan pada ruang laboratorium. d. Hari aktif perkuliahan Senin sampai Jum’at. e. Untuk semua mata kuliah baik 2 SKS, 3 SKS ataupun 4 SKS dijadwalkan 1 kali pertemuan dalam seminggu.

4

f. Terdapat 7 kelas yang merupakan kelompok kelas mata kuliah, dimana untuk semester 1 hanya 1 kelas, semester 3 dan 5 terdapat 2 kelas (A dan B), dan semester 7 terdapat 2 kelas (Matematika dan Statistika).

1.4

Tujuan Penelitian Tujuan dalam skripsi ini adalah untuk mengetahui penerapan algoritma genetika

pada masalah penjadwalan mata kuliah sehingga diperoleh kombinasi terbaik untuk pasangan mata kuliah dan dosen pengajar.

Manfaat Penelitian Manfaat yang dapat diperoleh dari penelitian ini adalah: a. Bagi Peneliti, dapat meningkatkan pemahaman tentang penggunaan algoritma genetika dalam penjadwalan mata kuliah.
b. Bagi Program Studi Matematika, program yang dihasilkan diharapkan dapat

dikembangkan lebih lanjut untuk membantu menyelesaikan masalah penjadwalan mata kuliah secara komputerisasi.

1.6

Sistematika Penulisan Adapun sistematika dari penulisan skripsi ini adalah:

BAB I

: PENDAHULUAN Berisi latar belakang, perumusan masalah, batasan masalah, tujuan

BAB II

penelitian, manfaat penulisan, dan sistematika penulisan. : TINJAUAN PUSTAKA Menjelaskan beberapa teori dan pengertian yang melandasi penelitian

BAB III

yang berhubungan dengan analisis yang dilakukan. : METODE PENELITIAN

5

Menjelaskan sumber data dan metode yang digunakan dalam BAB IV menganalisis data. :nHASIL DAN PEMBAHASAN Menjelaskan hasil dan pembahasan yang dilakukan penulis dalam BAB V penelitian ini. : KESIMPULAN Merupakan bab yang berisi kesimpulan dan saran.

6

BAB II TINJAUAN PUSTAKA

2.1 Permasalahan Optimasi Optimasi adalah salah satu disiplin ilmu dalam matematika dengan tujuan mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang, maupun pencarian nilai dalam berbagai kasus. Aplikasi dari teknik optimasi telah banyak pada berbagai bidang secara cepat. Keberhasilan penerapan teknik optimasi memerlukan tiga syarat, yaitu: kemampuan membuat model matematika dari permasalahan yang dihadapi, pengetahuan akan program komputer dan pengetahuan akan teknik optimasi itu sendiri. Masalah optimasi dapat dikategorikan ke dalam dua kelas besar, yaitu optimasi tanpa pembatas (unconstrained optimization) dan optimasi dengan pembatas (constrained optimization). Optimasi tanpa pembatas merupakan optimasi yang hanya melibatkan fungsi tujuan, tidak ada pembatas (constraint), sedangkan optimasi dengan pembatas, selain fungsi tujuan juga mempunyai tambahan pembatas yang membuat permasalahan lebih rumit. Dalam constrained optimization, dengan adanya pembatas diperlukan algoritma yang berbeda untuk menyelesaikannya. Prosedur pemecahan masalah optimasi dilakukan dengan cara memodelkan persoalannya ke dalam sebuah program matematis dan kemudian memecahkannya dengan menggunakan teknik-teknik atau metode optimasi seperti program linier, program nonlinier, program tujuan ganda, dan metode-metode lainnya yang sudah berkembang 7

saat ini. Dalam penelitian ini akan menggunakan metode algoritma genetika untuk menyelesaikan persoalan optimasi. Permasalahan optimasi telah banyak diselesaikan dengan menggunakan algoritma genetika, dan hasil yang diperoleh biasanya lebih baik, walaupun tidak menutup kemungkinan bahwa ada juga hasil akhir yang kurang begitu memuaskan (Desiani, 2006).

2.2 Penjadwalan Mata Kuliah Penjadwalan merupakan proses untuk menyusun suatu jadwal atau urutan proses yang diperlukan dalam sebuah permasalahan. Permasalahan penjadwalan biasanya berhubungan dengan penjadwalan kelas dalam sekolah atau perkuliahan dan juga dalam lingkup yang tidak jauh berbeda seperti penjadwalan pelajaran sekolah, penjadwalan ujian, atau dapat juga penjadwalan karyawan, baik dalam suatu perusahaan ataupun dalam rumah sakit. Dalam penjadwalan kuliah, yang dibahas adalah tentang pembagian jadwal untuk tiap mahasiswa pada kuliah tertentu sekaligus dosen pengajarnya. Dalam penjadwalan pelajaran sekolah yang dibahas adalah tentang pembagian jadwal pelajaran untuk tiap-tiap kelas yang ada beserta guru pengajar pelajaran tersebut, sedangkan dalam penjadwalan ujian yang dibahas adalah tentang pengaturan dosen yang mengawasi ujian dan mahasiswa yang menempati ruang. Penjadwalan mata kuliah (lecture timetabling) di universitas merupakan suatu pekerjaan yang tidak mudah. Permasalahan tersebut sering disebut dengan University
Timetabling Problems (UTP). Penjadwalan mata kuliah merupakan proses pengaturan

jadwal dengan memperhatikan dosen, ruang kelas, mata kuliah dan waktu yang disesuaikan dengan sejumlah batasan tertentu. Pada penjadwalan mata kuliah sejumlah mata kuliah harus dijadwalkan ke dalam ruang dan slot (pembagian) waktu tertentu dimana penjadwalan tersebut memperhatikan aturan-aturan dan batasan penjadwalan 8

yang telah ditentukan. Berikut ini diberikan gambar komponen yang mempengaruhi penjadwalan mata kuliah:

Gambar 2.1. Komponen yang Mempengaruhi Penjadwalan Mata Kuliah

Berdasarkan Gambar 2.1, penjadwalan mata kuliah dipengaruhi oleh beberapa komponen yang terdiri atas: dosen, ruang kelas, mata kuliah, laboratorium dan waktu dengan sejumlah batasan-batasan tertentu, dimana batasan-batasan tersebut ada yang harus dipenuhi atau tidak boleh dilanggar. Batasan tersebut merupakan ukuran kualitas dari penjadwalan mata kuliah, sehingga suatu jadwal mata kuliah yang optimal dapat terbentuk. Terdapat dua batasan dalam penyusunan penjadwalan kuliah yang dikemukakan oleh Burk dkk (1997), yaitu : hard constraint (harus terpenuhi) dan soft constraint (diupayakan untuk terpenuhi).

9

Hard constraints merupakan batas-batas yang harus diterapkan pada penjadwalan mata kuliah dan harus dipenuhi. Sebuah solusi hanya dapat dikatakan sahih dan valid apabila dalam solusi tersebut sama sekali tidak ada hard constraint yang terlanggar. Hard constraints yang umum dalam penjadwalan mata kuliah adalah sebagai berikut : a. Seorang dosen hanya dapat mengajarkan mata kuliah untuk satu lokasi pada waktu tertentu. b. Seorang mahasiswa hanya dapat mengikuti kuliah untuk satu lokasi pada waktu tertentu. c. Sebuah lokasi (ruangan) hanya dapat digunakan untuk satu mata kuliah pada waktu tertentu. d. Mata kuliah dengan bobot 3 SKS dijadwalkan dengan satu kali pertemuan dalam seminggu. e. Hari aktif untuk perkuliahan adalah hari Senin sampai dengan Sabtu. Berbeda dengan hard constraint, soft constraint merupakan kendala yang tidak selalu dapat terpenuhi dalam proses pembentukan jadwal, akan tetapi meskipun tidak harus terpenuhi, jadwal yang dihasilkan harus semaksimal mungkin berusaha memenuhi ketentuan soft constraint. Contoh soft constraints dalam penjadwalan mata kuliah antara lain : a. b. Dosen dapat meminta waktu mengajar tertentu yang diinginkan. Penempatan jadwal untuk waktu yang telah diminta dosen disesuaikan dengan prioritas dosen.

2.3 Algoritma Genetika Algoritma genetika pertama kali ditemukan oleh John Holland pada tahun 1975 melalui sebuah penelitian dari Universitas Michigan yang kemudian dikembangkan oleh 10

muridnya David Goldberg pada tahun 1989. Awalnya tujuan Holland adalah bukan untuk merancang algoritma yang mampu memecahkan masalah yang spesifik, melainkan hanya untuk mempelajari fenomena adaptasi seperti yang terjadi di alam sekaligus untuk mengembangkan cara-cara bagaimana mekanisme adaptasi alam dapat diimpor ke sebuah sistem komputer. John Holland dalam bukunya yang berjudul Adaptation In Natural And Artificial Systems, menyatakan bahwa setiap masalah yang berbentuk adaptasi (alami maupun buatan) dapat diformulasikan dalam terminologi genetika. Untuk memahami algoritma genetika diperlukan 3 tahapan pendalaman yaitu: aspek filosofis, struktur dan komponen.

2.3.1 Makna Filosofis Algoritma Genetika Menurut Lawrence (1991), Algoritma Genetika adalah algoritma kecerdasan

buatan tentang teknik pencarian dan optimasi yang berdasarkan pada mekanisme seleksi atau evolusi yang terjadi di alam. Algoritma genetika merupakan salah satu cabang dari algoritma evolusi yang digunakan untuk memecahkan masalah optimasi yang kompleks dan sulit diselesaikan dengan menggunakan metode yang konvensional (tradisional). Algoritma ini didasarkan pada proses genetika yang ada dalam makhluk hidup; yaitu perkembangan populasi yang alami, secara lambat laun mengikuti proses seleksi alam atau Siapa yang kuat, dia yang bertahan (survive). Prinsip pengerjaan algoritma genetika adalah Survival Of The Fittest (kemampuan kelangsungan hidup) dengan pemecahan yang berbeda dalam sebuah solusi. Pemecahan terbaik yang diperoleh dari bentuk baru diharapkan merupakan pemecahan yang terbaik dari populasi, sedangkan pemecahan yang kurang baik dihilangkan. Survival dalam algoritma genetika merupakan suatu pewarisan genetik yang dijadikan sebagai model metode pencarian pada suatu fenomena alam. Dengan meniru teori evolusi, algoritma genetika dapat digunakan untuk mencari 11

solusi yang tepat pada permasalahan-permasalahan optimasi dalam dunia nyata baik satu variabel maupun multivariabel seperti pada permasalahan penjadwalan, Travelling Salesman Problem (TSP), perancangan neural networks (jaringan syaraf tiruan), dan Job Shop Scheduling.

2.3.2 Struktur Umum Algoritma Genetika Secara garis besar algoritma genetika memiliki banyak kesamaan dengan mekanisme genetika alami, baik dalam tahapan prosesnya maupun definisi dari istilahistilah atau terminologi yang digunakan. Ekuivalensi istilah algoritma genetika dan genetika alami pada biologi dapat ditunjukkan pada Tabel 2.1. Tabel 2.1. Perbandingan Istilah pada Genetika Alami dan Algoritma Genetika. Genetika Alami Kromosom Gen Allel Locus Genotip Fenotip Algoritma Genetika String Fitur, Karakter, atau Detector Nilai fitur Posisi String Struktur Set parameter, solusi alternatif, struktur yang dikodekan

Secara alamiah semua organisme terdiri dari sel, di dalam setiap sel terdiri dari sekumpulan kromosom. Kromosom terbentuk dari sekumpulan gen, membuat satu kesatuan yang tersusun dalam rangkaian linier. Setiap gen mempunyai letak tersendiri di dalam kromosom, disebut lokus. Gen tersusun dari Deoxyribo Nucleic Acid (DNA) yang membawa sifat-sifat keturunan. Setiap gen menyandikan protein tertentu suatu sifat, contoh : gen warna mata binatang dengan posisi lokus 10. Bagian tertentu dari gen di dalam genome disebut genotip. Beberapa sifat individu yang menunjukkan perbedaan gen dan berada pada bagian yang berbeda disebut alel.

12

Algoritma Genetika merepresentasikan individu sebagai sebuah kromosom. Kromosom ini merupakan suatu solusi yang masih berbentuk simbol. Algoritma ini menyelesaikan permasalahan dalam pencarian kromosom yang terbaik. Kromosomkromosom terbaik diperoleh dengan cara populasi awal yang dibangun secara acak dan populasi berikutnya yang merupakan hasil evolusi kromosom-kromosom melalui proses iterasi (seleksi, crossover dan mutasi) yang disebut dengan istilah generasi. Pada setiap generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut. Setelah melalui beberapa generasi, maka akan diperoleh kromosom terbaik. Beberapa definisi penting dalam algoritma genetika adalah sebagai berikut: a. Gen adalah sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam algoritma genetika, gen ini dapat berupa nilai biner, float, integer, kombinatorial maupun karakter. b. Allel adalah nilai dari gen. c. Kromosom adalah gabungan gen-gen yang membentuk nilai tertentu. d. Individu menyatakan satu nilai atau menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat. e. Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi. f. Generasi menyatakan hasil evolusi kromosom-kromosom melalui proses iterasi. g. Nilai Fitness menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan.

13

Algoritma genetika secara umum dapat diilustrasikan pada flowchart berikut :

Mulai Input Data Pengkodean Prosedur Inisialisasi Evaluasi Fitness Seleksi

Fitness Terbaik? Tidak Membangkitkan Populasi Baru Crossover Mutasi

ya

Kromosom terbaik Hasil

14

Selesai

Gambar 2.2 Flowchart Algoritma Genetika Dari Gambar 2 diatas, struktur umum dari suatu algoritma genetika dapat didefinisikan dengan langkah-langkah sebagai berikut: a. Membangkitkan populasi awal Populasi awal dibangkitkan secara random, dimana populasi tersebut berisi beberapa kromosom yang telah didefinisikan sehingga didapatkan solusi awal. Populasi itu sendiri terdiri dari sejumlah kromosom yang merepresentasikan solusi yang diinginkan. b. Membentuk generasi baru Dalam membentuk generasi baru digunakan tiga operator yaitu operator reproduksi/seleksi, crossover dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru. Generasi baru ini
dikenal denga istilah anak (offspring).

c. Evaluasi solusi
Pada tiap generasi, kromosom akan diukur dengan fungsi fitness. Nilai fitness suatu kromosom menggambarkan kualitas kromosom dalam populasi tersebut. Proses ini akan

mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Apabila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi langkah 2. Beberapa kriteria berhenti yang sering digunakan antara lain: 1. Berhenti pada generasi tertentu.

15

2. Berhenti setelah beberapa generasi berturut-turut didapatkan nilai fitness tertinggi. 3. Berhenti pada n generasi dimana nilai fitness dari populasi tidak mengalami perubahan. 2.3.3 Komponen-komponen Utama Algoritma Genetika Ada 6 komponen utama yang terdapat di dalam algoritma genetika, (Kusumadewi, 2003) yaitu:

1. Teknik Pengkodean Menurut Desiani (2006), pengkodean adalah suatu teknik untuk menyatakan populasi awal sebagai calon solusi suatu masalah ke dalam suatu kromosom sebagai suatu kunci pokok persoalan ketika menggunakan algoritma genetika. Teknik pengkodean ini meliputi pengkodean gen dan kromosom. Gen merupakan bagian dari kromosom yang dapat direpresentasikan dalam bentuk string bit, pohon, array bilangan real, daftar aturan, elemen permutasi, elemen program, atau representasi lain yang dapat diimplementasikan untuk operator genetika.

2. Prosedur Inisialisasi Prosedur inisialisasi (membangkitkan populasi awal) adalah membangkitkan sejumlah individu secara acak atau melalui prosedur tertentu. Ukuran populasi tergantung pada masalah yang akan dipecahkan dan jenis operator genetika yang akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian harus dilakukan inisialisasi terhadap kromosom yang terdapat pada populasi tersebut. Inisialisasi kromosom dilakukan secara acak, namun demikian harus tetap memperhatikan domain solusi dan kendala permasalahan yang ada.

16

3. Fungsi Evaluasi Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran performansinya. Dalam algoritma genetika, individu yang memiliki nilai fitness tinggi pada kromosomnya yang akan dipertahankan, sedangkan individu yang pada kromosomnya bernilai fitness rendah akan diganti. Fungsi fitness tergantung pada permasalahan tertentu dari representasi yang digunakan. Rumus fitness yang digunakan, (Lee dkk, 2001) adalah sebagai berikut: (1) Keterangan : Bn = Bobot pelanggaran Fn = Banyaknya pelanggaran n =1...n

4. Seleksi Tujuan dari proses seleksi untuk memilih individu-individu yang akan dipilih untuk proses persilangan dan mutasi, dimana diharapkan diperoleh calon induk yang baik. Induk yang baik akan menghasilkan keturunan yang baik. Langkah pertama dalam seleksi yaitu pencarian nilai fitness. Masing-masing individu dalam suatu wadah seleksi akan menerima probabilitas reproduksi yang tergantung pada nilai objektif dirinya sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi tersebut. Nilai fitness inilah yang nantinya akan digunakan pada tahap seleksi berikutnya. Ada beberapa metode untuk memilih kromosom yang digunakan antara lain : a. Seleksi roda rolet (roulette wheel selection). Seleksi roda rolet dilakukan dengan cara menyeleksi parent dengan tujuan untuk mempertahankan nilai fitness-nya, dimana yang mempunyai kesempatan untuk diseleksi 17

adalah kromoson yang baik. Pada metode ini dapat dibayangkan seperti sebuah permainan roda (roullette wheel), di mana semua kromosom ditempatkan dalam populasi, setiap tempat besar sesuai dengan fungsi fitness. Kromosom dipilih berdasarkan nilai fitness, semakin besar nilai fitness maka kromosom tersebut mempunyai peluang untuk dipilih beberapa kali. Metode seleksi roda rolet merupakan metode yang paling sederhana, dan sering juga dikenal dengan nama stochastic sampling with replacement. b. Seleksi good fitness Seleksi menggunakan metode good fitness dilakukan dengan cara setengah dari jumlah populasi yang memiliki harga fitness yang terendah akan dihilangkan, sehingga akan hanya selalu tersisa sekelompok solusi yang terbaik yang pernah diperoleh oleh program. Solusi yang tersisa hasil seleksi ini dikenal dengan nama populasi induk. Agar jumlah populasi tetap, maka perlu dibangkitkan solusi baru sebanyak setengah dari jumlah populasi yang ada. Dalam program penyeleksian, cara yang digunakan untuk membangkitkan solusi baru menggunakan dua cara yaitu reproduksi kromosom baru dan cara mutasi dari solusi induk. Tujuan pembangkitan solusi baru ini untuk menemukan alternatif solusi yang lebih baik dari solusi-solusi yang sudah diperoleh.

5. Operator Genetika Algoritma genetika merupakan proses pencarian yang heuristik dan acak sehingga penekanan pemilihan operator yang digunakan sangat menentukan keberhasilan algoritma genetik dalam menemukan solusi optimum suatu masalah yang diberikan. Hal yang harus diperhatikan adalah menghindari terjadinya konvergensi premature, yaitu mencapai solusi optimum yang belum waktunya, dalam arti bahwa solusi yang diperoleh adalah hasil optimum lokal. Ada dua operator genetika yaitu: 18

a. Persilangan (crossover) Salah satu komponen yang paling penting dalam algoritma genetika adalah persilangan (crossover). Persilangan merupakan proses pada algoritma genetika yang bekerja untuk menggabungkan dua kromosom orang tua (parent) menjadi kromosom baru (offspring) pada suatu waktu. Sebuah kromosom yang mengarah pada solusi yang baik dapat diperoleh melalui proses crossover pada dua buah kromosom. Tidak semua kromosom mengalami persilangan. Cara sederhana pada proses persilangan yaitu dengan memilih suatu titik yang dipisahkan secara random dan kemudian membentuk offspring dengan cara mengkombinasikan segmen dari satu induk ke sebelah kiri dari titik yang dipisahkan dengan segmen dari induk yang lain ke sebelah kanan dari titik yang dipisahkan. Terdapat beberapa jenis crossover, antara lain : 1. Crossover satu titik Proses crossover dilakukan dengan memisahkan suatu string menjadi dua bagian, kemudian salah satu bagian dipertukarkan dengan salah satu bagian dari string yang lain yang telah dipisahkan. Misalkan ada 2 kromosom dengan panjang 12 : Induk 1 Induk 2 :01110|0101110 :11010|0001101

Kromosom yang dipilih: 5 Anak 1 Anak 2 :01110|0001101 :11010|0101110

2. Crossover banyak titik.

19

Proses crossover ini dilakukan dengan memisahkan suatu string menjadi beberapa bagian dan selanjutnya dipertukarkan dengan bagian dari string yang lain yang telah dipisahkan. Misalkan ada 2 kromosom dengan panjang 12 : Induk 1 Induk 2 :01|1100|1011|10 :11|0100|0011|01

Posisi yang dipilih : kromosom setelah 2, 6 dan 10 Kromosom baru yang terbetuk: Anak 1 Anak 2 b. Mutasi (mutation) Operator berikutnya mutasi (mutation). Proses mutasi merupakan proses untuk mengubah salah satu atau lebih beberapa gen dari suatu kromosom. Proses ini berperan untuk menggantikan gen yang hilang dari populasi akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi. Beberapa cara operasi mutasi yang diterapkan dalam algoritma genetika menurut jenis pengkodeannya, antara lain: 1. Mutasi dalam pengkodean biner Mutasi pada pengkodean biner merupakan operasi yang sangat sederhana. Proses yang dilakukan adalah menginversi nilai bit pada posisi tertentu yang dipilih secara acak (atau dengan menggunakan skema tertentu ) pada kromosom. Contoh mutasi pada pengkodean biner: Kromosom sebelum mutasi Kromosom sesudah mutasi :10010111 :10010011 :01|0100|1011|01 :11|1100|0011|10

2. Mutasi dalam pengkodean permutasi

20

Proses mutasi dalam pengkodean permutasi dilakukan dengan memilih dua posisi (lokus) dari kromosom dan nilainya saling dipertukarkan. Contoh mutasi dalam pengkodean permutasi Kromosom sebelum mutasi Kromosom sesudah mutasi 6. Parameter Kontrol Parameter kontrol genetika diperlukan untuk mengendalikan operator-operator seleksi. Pemilihan parameter genetika menentukan penampilan kinerja algoritma genetika dalam memecahkan masalah (Desiani, 2006). Ada dua parameter dasar dari algoritma genetika, yaitu probabilitas crossover (pc) dan probabilitas mutasi (pm). a. Probabilitas crossover (Pc) Probabilitas crossover akan mengendalikan operator crossover dalam setiap generasi dalam populasi yang mengalami crossover. Semakin besar nilai probabilitas crossover, akan semakin cepat struktur individu baru terbentuk ke dalam populasi. Sedangkan apabila nilai probabilitas crossover terlalu besar, individu yang merupakan kandidat solusi terbaik mungkin akan dapat hilang lebih cepat pada generasi selanjutnya. Disarankan nilai probabilitas crossover berkisar antara 80 % - 95 %. b. Probabilitas mutasi ( Pm ) Probabilitas mutasi akan mengendalikan operator mutasi pada setiap generasi dimana peluang mutasi yang digunakan biasanya lebih kecil daripada peluang crossover. Pada seleksi alam murni, mutasi jarang sekali muncul. Oleh karena itu, operator mutasi pada algoritma genetik juga tidak selalu terjadi. Untuk itulah nilai peluang mutasi dibuat lebih kecil untuk setiap generasi. Disarankan nilai probabilitas mutasi kecil berkisar antara 0.5 % - 1 %. :123465879 :127465839

21

Parameter lain yang juga ikut menentukan efisiensi kinerja algoritma genetika adalah ukuran populasi, yaitu banyaknya kromosom dalam satu populasi. Tidak ada aturan yang pasti tentang berapa nilai ukuran populasi. Apabila ukuran populasi kecil berarti hanya tersedia sedikit pilihan untuk crossover dan sebagian kecil dari domain solusi saja yang dieksplorasi untuk setiap generasinya. Sedangkan apabila terlalu besar, kinerja algoritma genetik akan menurun. Penelitian menunjukan ukuran populasi besar tidak mempercepat pencarian solusi. Disarankan ukuran populasi berkisar antara 20–30.

2.4

Penelitian Tentang Penjadwalan Mata Kuliah dan Algoritma Genetika yang Pernah Dilakukan Beberapa metode optimasi telah banyak diusulkan dalam menyelesaikan masalah

penjadwalan mata kuliah, antara lain dengan metode greedy, algoritma semut, dan algoritma particle swarm optimization (PSO). Ketiga metode tersebut dibahas oleh Sugiarti (2009), Fernandez (2005) dan Johan dkk (2006). Menurut Sugiarti (2009) metode greedy dapat digunakan untuk menyelesaiakan masalah penjadwalan mata kuliah dimana model yang dikembangkan menggunakan masalah knapsack dan diselesaikan dengan tiga strategi yaitu: greedy by profit, greedy by weight, dan greedy by density. Sedangkan menurut Fernandez (2005) masalah aplikasi penjadwalan mata kuliah dengan algoritma semut bertujuan untuk menyusun jadwal perkuliahan. Aplikasinya dikembangkan berdasarkan local search dan algoritma semut. Pada proses iterasinya membutuhkan waktu lama karena parameter yang disusun cukup banyak. Berbeda dengan Fernandez (2005), menurut Johan dkk (2006) melalui sistem penjadwalan otomatis dapat menghasilkan jadwal yang sesuai dengan kemampuan sistem formulasi dan memori yang tersedia.

22

Algoritma genetika juga telah banyak digunakan dalam menyelesaikan permasalahan-permasalahan optimasi dalam dunia nyata antara lain: penjadwalan job shop oleh Afandi (2010), Travelling Salesman Problem (TSP) oleh Fitrah dkk (2006), dan Shortest Path oleh Koerniamy (2008). Menurut Afandi (2010) algoritma genetika dapat digunakan sebagai salah satu metode alternatif dalam menyelesaikan penjadwalan job shop karena memiliki kemampuan yang baik dalam membangkitkan solusi heuristik dari variasi permasalahan yang luas, dimana sifat dari produk penjadwlannya berbaur dan multi produk dengan meminimalkan total pinalti E/T (earliness/tardiness). Menurut Fitrah dkk (2006) Travelling Salesman Problem (TSP) dapat diselesaikan dengan menggunakan algoritma genetika meskipun solusi TSP yang dihasilkan oleh algoritma ini belum tentu merupakan solusi optimal, namun algoritma gentika akan menghasilkan solusi yang lebih optimal pada setiap generasinya, hal tersebut terlihat dari nilai fitness pada tiap generasi. Kelebihan algoritma genetika dibandingkan dengan metode pencarian konvesional pada TSP, solusi dapat dihasilkan kapanpun karena solusi dihasilkan pada generasi ke berapapun dan algorima genetika tidak membutuhkan waktu yang lama karena tidak semua kemungkinan dicoba, tergantung pada kriteria berakhirnya. Sedangkan menurut Koerniamy (2008) permasalahan Shortest Path dapat diselesaikan dengan pendekatan algoritma genetika yang dihitung secara manual, tetapi pada kasus yang lebih besar perhitungan manual akan mengalami kendala, sehingga dibutuhkan pemrograman untuk membantu menyelesaikannya. Berdasarkan permasalahan dan metode yang pernah dilakukan pada penelitian diatas, maka penelitian ini akan mencoba menggabungkan antara permasalahan dan metode tersebut sehingga diharapkan metode algoritma genetika dapat diterapkan untuk menyelesaikan permasalahan penjadwalan mata kuliah.

23

BAB III METODE PENELITIAN

3.1

Jenis Penelitian Penelitian ini bersifat studi literatur dan kasus. Bahan literatur diperoleh dari studi

pustaka atau jurnal maupun buku teks yang didapat dengan cara akses langsung maupun akses internet, sedangkan bahan untuk kasus penelitian diperoleh dari data mata kuliah Semester Ganjil Tahun Akademik 2011/2012 di Program Studi Matematika FMIPA Universitas Bengkulu.

3.2

Waktu dan Tempat Penelitian ini dilakukan ± satu semester, bertempat Di Gedung V ruang baca

Program Studi Matematika FMIPA Universitas Bengkulu pada jam kerja.

3.3

Data yang diperlukan Data yang dipergunakan dalam penelitian ini adalah data sekunder berupa mata

kuliah yang ditawarkan pada Semester Ganjil Tahun Akademik 2011/2012 di Program Studi Matematika FMIPA Universitas Bengkulu yang terdiri dari : a. Daftar Mata Kuliah Semester Ganjil Program Studi Matematika FMIPA Tahun Akademik 2011/2012. b. Daftar Dosen pengampu mata kuliah. c. Jadwal Praktikum Semester Ganjil Tahun Akademik 2011/2012 di Program Studi Matematika FMIPA.

24

d. Jadwal Kuliah Semester Ganjil Program Studi Matematika Tahun Akademik 20011/2012 untuk Mata Kuliah Wajib di luar Ruang Belajar Matematika. 3.4 Teknik Pengumpulan Data Pengumpulan data dalam penelitian ini dilakukan dengan mengambil data sekunder yaitu mata kuliah yang ditawarkan pada Semester Ganjil Tahun Akademik 2011/2012 Di Program Studi Matematika FMIPA Universitas Bengkulu, dosen yang tersedia, jumlah ruang dan daya tampung.

3.5

Analisis Data Pada penelitian, analisis data ini dimana langkah-langkah yang akan digunakan

adalah sebagai berikut: a. Input Data Ada empat kelompok data yang diperlukan pada input data yaitu: ruang belajar yang digunakan, Tabel SKS dan mata kuliah, Tabel dosen, semester dan kelas. b. Proses Data Input Data-data yang telah diperoleh dari input data terlebih dahulu diolah dengan cara melakukan pengkodean terhadap masing-masing kelompok data. c. Pembuatan Kromosom dan Populasi Pembuatan kromosom dan populasi bertujuan untuk memperoleh hasil

penggabungan antara sks dan mata kuliah, dosen pengampu mata kuliah, semester dan kelas. d. Evaluasi Fitness Setiap faktor yang mempengaruhi nilai fitness memberi pengaruh yang berbeda terhadap nilai fitnessnya, tingkat pengaruh tersebut disebut dengan bobot. Semakin tinggi

25

harga bobot suatu faktor akan mengurangi nilai fitness dari solusi tersebut. Faktor-faktor yang mempengaruhi evaluasi fitness terhadap solusi adalah sebagai berikut: 1. Waktu pagi yang kosong. Adakah waktu pagi yang kosong/tidak digunakan perkuliahan? Untuk meningkatkan produktivitas pemakaian ruangan, maka

dikehendaki agar ruangan dapat segera digunakan semenjak pagi hari. 2. Frekuensi mengajar dosen. Apakah ada dosen yang memiliki frekuensi mengajar yang tinggi dalam satu hari? Diharapkan agar tugas mengajar dosen dapat terdistribusi merata di tiap hari kerjanya dengan tujuan agar performansi dosen sewaktu mengajar dapat tetap terjaga. Dalam penelitian ini didefinisikan bahwa dosen yang mengajar lebih dari 6 sks tiap harinya telah digolongkan sebagai dosen yang memiliki frekuensi mengajar yang tinggi. 3. Frekuensi kuliah kelas. Apakah ada kelas yang memiliki frekuensi kuliah yang tinggi dalam satu hari ? Seperti halnya pada dosen, untuk menjaga performansi belajar mahasiswa maka diharapkan tidak ada jadwal kuliah yang terlalu padat dalam satu hari. Kelas yang mendapatkan jadwal kuliah lebih dari 6 sks pada satu hari

didefinisikan sebagai kelas yang memiliki frekuensi kuliah yang tinggi. Rumus fitness yang digunakan adalah sebagai berikut:

= Bobot waktu pagi yang kosong = Bobot frekuensi mengajar dosen = Bobot frekuensi kuliah kelas = Banyaknya waktu pagi yang kosong = Banyaknya frekuensi jam mengajar yang tinggi dari seorang dosen

26

= Banyaknya frekuensi jam kuliah yang tinggi dari satu kelas Nilai bobot setiap faktor pengaruh yang digunakan dalam penelitian ini dapat dilihat pada Tabel 3.1. Tabel 31. Nilai Bobot Waktu pagi yang kosong Frekuensi mengajar dosen Frekuensi kuliah kelas e. Seleksi Untuk mendapatkan solusi yang terbaik, harus dilakukan penyeleksian solusi yang memiliki nilai fitness yang tergolong rendah. Seleksi tersebut menggunakan metode best fitness. Solusi yang tersisa pada hasil seleksi ini dikenal dengan nama populasi induk. f. Membangkitkan Populasi Baru Populasi baru akan dibangkitkan dengan cara crossover dan mutasi pada populasi induk yang telah diperoleh dari proses seleksi. g. Kondisi Selesai Jika setelah beberapa generasi berturut-turut diperoleh nilai fitness tertinggi dari populasi maka proses algortitma akan dihentikan, sedangkan jika pada beberapa generasi berturut-turut nilai fitnessnya belum mencapai kondisi tersebut, maka akan mengulang kembali proses/iterasi dari langkah keempat yaitu evaluasi fitness terhadap populasi baru. 33 33 33

27

28

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->