Optimasi Penjadwalan Perkuliahan Menggunakan Algoritma Genetik
1. OPTIMASI PENJADWALAN PERKULIAHAN JURUSAN TEKNIK INFORMATIKA
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG
MENGGUNAKAN ALGORITMA GENETIKA
DENGAN METODE SELEKSI RANK
M. Ainul Yaqin, Totok Lisbiantoro
Jurusan Teknik Informatika
Universitas Islam Negeri Maulana Malik Ibrahim Malang
ABSTRAK
Penjadwalan mata kuliah merupakan hal yang penting dalam proses kegiatan akademik dan
juga menjadi suatu permasalahan yang sangat sulit dipecahkan, khususnya pada jurusan teknik
informatika UIN Maulana Malik Ibrahim Malang. Dengan keterbatasan dosen yang ada, jumlah
kelas dan jumlah ruangan dituntut agar tetap bisa memenuhi kebutuhan pelayanan kepada
mahasiswa. Penelitian sebelumnya tentang optimasi penjadwalan perkuliahan menggunakan
algoritma genetika dengan metode seleksi Roulette Wheel, belum menunjukkan hasil yang
maksimal, terbukti dengan tingkat kesalahan sebesar 27,79%. Oleh karena itu dengan penelitian
ini dicoba untuk memperbaiki penelitian tersebut, yaitu menggunakan algoritma genetika
dengan metode seleksi Rank. Selain itu dalam penelitian ini akan dibandingkan hasilnya dengan
metode Simulated Annealing.
Algoritma genetika merupakan pendekatan komputasional untuk menyelesaikan masalah
yang dimodelkan dengan proses biologi dari evolusi, meliputi seleksi, crossover, dan mutasi.
Berbeda dengan penelitian sebelumnya di atas yang menggunakan metode seleksi Roulette
Wheel, dalam penelitian ini menggunakan metode seleksi Rank, yang sekaligus merupakan
perbaikan dari metode seleksi Roulette Wheel.
Hasil uji coba menunjukkan bahwa dalam penelitian ini dihasilkan jadwal yang optimal
dengan parameter genetikanya yaitu ukuran populasi 10, probabilitas crossover 0,70 dan
probabilitas mutasi 0,15. Penelitian ini juga berhasil memperbaiki tingkat kesalahan menjadi
0%. Estimasi waktu penjadwalan rata-rata untuk algoritma genetika pada penelitian ini adalah 3
jam 13 menit 54 detik dalam 5 kali percobaan. Sedangkan pada Simulated Annealing
membutuhkan waktu rata-rata 25 menit dengan kondisi jadwal yang sama-sama optimal.
Sehingga algoritma genetika dengan metode seleksi Rank dapat digunakan untuk
menjadwalkan perkuliahan pada jurusan teknik informatika Universitas Islam Negeri Maulana
Malik Ibrahim Malang.
Kata Kunci: jadwal, algoritma genetika, metode seleksi Rank
PENDAHULUAN Beberapa masalah yang menyebabkan
lamanya waktu pembuatan jadwal
Proses pembuatan jadwal perkuliahan pada diantaranya terbatasnya dosen pengampu,
jurusan teknik informatika di Universitas ruang, jam mengajar, dan bertambahnya
Islam Negeri MALIKI Malang saat ini kelas karena semakin bertambahnya
membutuhkan waktu yang relatif lama. mahasiswa disetiap tahunnya serta tuntutan
2. kebutuhan menyebabkan terkadang jadwal Membangun Generasi Awal
yang dibuat masih mangalami pelanggaran
terhadap soft constrain dan hard constrain Langkah ini membentuk sejumlah populasi
yang ada. Untuk itu perlu dibuat suatu awal yang digunakan untuk mencari
aplikasi yang dapat membantu dalam penyelesaian optimal. Populasi awal yang
pembuatan jadwal perkuliahan agar dibangun dalam tugas akhir ini dengan
prosesnya lebih cepat dan optimal. menggunakan bilangan random (acak)
Algoritma genetika sudah pernah dengan range bilangan yang telah
digunakan pada penelitian sebelumnya oleh ditentukan.
Lina Maria Ulfa dengan metode seleksi
Roulette Wheel, namun masih belum Fungsi Fitness
mampu mengatasi masalah-masalah
penjadwalan yang ada, terbukti dengan Fungsi fitness digunakan untuk proses
tingkat kesalahan sebesar 27,79%. Dalam evaluasi kromosom agar diperoleh individu
penelitian ini akan dicoba untuk yang diinginkan. Fungsi ini membedakan
memperbaiki penelitian tersebut, yaitu kualitas dari individu untuk mengetahui
menggunakan algoritma genetika dengan seberapa baik individu yang dihasilkan.
metode seleksi Rank, dimana metode Semakin tinggi nilai fitness akan semakin
seleksi Rank merupakan perbaikan dari besar kemungkinan individu tersebut
metode seleksi Roulette Wheel. terpilih ke generasi berikutnya.
PENERAPAN ALGORITMA Seleksi
Algoritma Genetika adalah algoritma yang Setiap individu yang terdapat dalam
memanfaatkan proses seleksi alamiah yang populasi akan melalui proses seleksi untuk
dikenal dengan proses evolusi. Langkah- dipilih menjadi orangtua. Seleksi adalah
langkah dalam penerapannya pada suatu proses yang digunakan untuk memilih
penjadwalan yaitu: individu-individu yang akan digunakan
pada proses generasi berikutnya dengan
Representasi Kromosom mempertimbangkan nilai fitness.
Algoritma Genetika tidak beroperasi Crossover
dengan penyelesaian asli dari suatu masalah
tetapi beroperasi dengan dengan Crossover atau persilangan merupakan
penyelesaian yang telah di representasikan operasi yang bekerja untuk menggabungan
Representasi kromosom merupakan proses dua individu hasil seleksi menjadi individu
pengodean dari penyelesaian asli dari suatu baru. Tidak semua individu mengalami
permasalahan. Pengodean kandidat persilangan karena ditentukan oleh
penyelesaian ini disebut dengan kromosom. paramater yang disebut dengan crossover
Pengodean tersebut meliputi penyandian rate atau probabilitas persilangan.
gen, dengan satu gen mewakili satu
variabel. Mutasi
Setelah crossover dilakukan, proses
reproduksi dilanjutkan dengan mutasi. Hal
ini dilakukan untuk menghindari solusi-
3. solusi dalam populasi mempunyai nilai pengampu, tabel hari, tabel jam yang berisi
lokal optimum. Mutasi adalah proses slot waktu, dan tabel ruang.
mengubah gen dari keturunan secara
random. Optimasi dengan Algoritma Genetika
Kondisi Berhenti Langkah pertama yang dilakukan yaitu
mengodekan data-data yang telah diambil.
Proses ini akan berhenti jika kondisi Untuk rancangan kromosomnya terdiri dari
berhenti terpenuhi, jika tidak maka akan 4 komponen penjadwalan , yaitu mata
kembali ke langkah 3. kuliah dari tabel pengampuan, jam kuliah,
IMPLEMENTASI hari, dan ruang, seperti pada gambar
berikut:
Berikut adalah flowchart untuk tahapan
implementasi: MK Jam Hari Ruang
Gambar 2. Rancangan kromosom
Mulai
Membangkitkan populasi awal yang
Ambil komponen diperoleh secara random sehingga
didapatkan solusi awal. Populasi itu sendiri
penjadwalan terdiri dari sejumlah individu yang
merepresentasikan sejumlah solusi.
Optimasi dengan algoritma Populasi tersebut dicek nilai fitnessnya
untuk tahap selanjutnya yaitu seleksi.
genetika Dalam penelitian ini digunakan metode
seleksi Rank, yang merupakan perbaikan
Hitung constrain dari metode seleksi Roulette Wheel karena
pada seleksi Roulette Wheel kemungkinan
salah satu kromosom mempunyai nilai
fitness yang mendominasi hingga 90% bisa
terjadi, sehingga nilai fitness yang lain akan
Penjadwalan
mempunyai kemungkinan yang sangat kecil
sekali untuk terpilih, sedangkan dalam
seleksi rank dilakukan perumpamaan sesuai
dengan nilai fitnessnya, nilai fitness terkecil
Selesai diberi nilai 1, yang terkecil kedua diberi
nilai 2, dan begitu seterusnya sampai yang
Gambar 1. Flowchart tahapan implementasi terbesar diberi nilai N. Nilai tersebut yang
akan diambil sebagai prosentasi tepat yang
Komponen Penjadwalan tersedia. Dari proses seleksi didapatkan
induk untuk proses crossover. Crossover
Komponen penjadwalan yang dimaksud yang digunakan pada penelitian ini adalah
adalah data-data penjadwalan yang crossover 2 titik. Crossover 2 titik ini
nantinya akan dikodekan sehingga dapat adalah crossover pada 2 titik tertentu yang
diproses oleh algoritma genetika. Data-data ditentukan secara random, misalkan dalam
tersebut meliputi data dari tabel pengampu 1 individu terdapat 6 kromosom, jika 2 titik
yang berisi mata kuliah, kelas, dan dosen yang keluar adalah 2 dan 4 maka
4. kromosom 1 tetap, kromosom 2 sampai 4 Berikut hasil rekap percobaan yang
ditukar, dan kromosom 5 sampai 6 tetap. dilakukan:
Setelah crossover selesai, didapatkan
individu-individu baru yang akan dimutasi
sesuai dengan probabilitas mutasinya.
Mutasi dilakukan dengan cara merandom
ulang komponen penjadwalan, jika proses
mutasi selesai maka di hitung nilai fitness
masing-masing individu, jika belum ada
yang sesuai dengan batasan-batasan yang
ditentukan maka akan diulang ke proses Gambar 3. Rekap rasio error prob. crossover
seleksi sampai mutasi sehingga ditemukan
solusi yang sesuai. Batasan-batasan dalam
penelitian ini adalah:
1. Tidak ada dosen yang mengajar lebih
dari satu kelas mata kuliah pada waktu
yang sama
2. Tidak ada dua kelas mata kuliah yang
berbeda diselenggarakan bersamaan di
satu ruangan Gambar 4. Rekap rata-rata error prob. crossover
3. Mata kuliah semester 1 dan 2 dimulai
jam 08.00 sampai jam 14.00
4. Mata kuliah semester 1 dan 2
menggunakan sistem paket, sehingga
tiap mata kuliah tidak boleh dijadwal
pada waktu yang sama untuk kelas
yang sama
5. Waktu sholat jum’at tidak boleh ada
perkuliahan
Gambar 5. Rekap rasio error prob. mutasi
6. Waktu kesediaan dosen lebih
diutamakan, namun jika terpaksa tidak
bisa, boleh diabaikan
7. Tidak ada perkuliahan yang dimulai
pada waktu dhuhur, namun jika
terpaksa tidak bisa, maka boleh
diabaikan
HASIL UJI COBA
Pengujian dilakukan berdasarkan parameter Gambar 6. Rekap rata-rata error prob. mutasi
genetika yang disarankan pada beberapa
literatur yang telah diuji coba kembali Data yang digunakan adalah pemasaran
untuk menentukan parameter yang benar- mata kuliah sebanyak 156, 7 ruang kuliah,
benar sesuai pada masalah penjadwalan ini. dan 6 hari dengan masing-masing 13 slot
waktu. Dari beberapa percobaan di atas,
5. ditemukan parameter yang sesuai sebagai namun untuk tingkat keakuratannya
berikut: sama
Parameter Nilai
Individu per populasi 10 Saran
Probabilitas crossover 0.7
Probabilitas mutasi 0.15 1. Ruang lingkup dalam penelitian ini
masih di tingkat jurusan, sehingga
Tabel 1. Parameter genetika
dapat diperbesar hingga ke tingkat
universitas.
Parameter tersebut digunakan pada
2. Penggunaan metode lain yang
pengujian sebanyak 5 kali. Berdasarkan
mungkin lebih sesuai atau
pengujian yang telah dilakukan, tingkat
menggunakan metode hibrid
kesalahan jadwal perkuliahan yang
dihasilkan sebesar 0%, dengan waktu rata-
rata 3 jam 13 menit 54 detik, sehingga
DAFTAR PUSTAKA
dapat disimpulkan bahwa penelitian ini
berhasil menangani masalah-masalah
Dibyo L, Heru. 2010. Optimasi Penempatan
penjadwalan hingga 100%.
Kapasitor Pada Sistem Tenaga Listrik
Dengan Menggunakan Algoritma
Analisa dengan Simulated Annealing
Genetik. http://
herudibyolaksono.files.wordpress.com/
Jika dibandingkan dengan Simulated
2010/07/jurnal_7.pdf. Diakses: pada 6
Annealing dengan menggunakan data dan
Maret 2011
batasan–batasan yang sama, Algoritma
Genetika memerlukan waktu yang lebih
Edmund Burk, dkk. Automated University
lama dalam prosesnya, waktu rata-rata
Timetabling: The State of the
Simulated Annealing hanya 25 menit,
Art.University of Nottingh
namun untuk tingkat keakuratannya relatif
sama.
Edward L. Mooney, dkk. 1995. LARGE
SCALE CLASSROOM SCHEDULING.
KESIMPULAN DAN SARAN
Industrial and Management
Engineering Department, Montana
Kesimpulan
State University.
1. Algoritma Genetika dapat digunakan
Kadir, Abdul. 2002. Pengenalan Sistem
sebagai alternatif solusi untuk
Informasi. Yogyakarta: Penerbit Andi
menyelesaikan masalah penjadwalan
perkuliahan
Kusumadewi,Sri. 2003. Artificial
2. Metode seleksi Rank dapat
Intelligence. Yogyakarta: Graha Ilmu .
memperbaiki kesalahan yang
ditimbulkan oleh metode seleksi
Kusumadewi, Sri dan Purnomo, Hari.
Roulette Wheel
2005. Penyelesaian Masalah
3. Untuk masalah kecepatan proses,
Optimasi dengan Teknik-teknik
Simulated Annealing unggul
Heuristik. Yogyakarta:Graha Ilmu
dibandingkan Algoritma Genetika,
6. Maria Ulfa,Lina.2011.Optimasi Munir, Rinaldi. Strategi. 2006. Algoritmik,
Penjadwalan Perkuliahan Program Studi Informatika STEI
Menggunakan Algoritma Institut Teknologi Bandung,Bandung,
Genetika.Universitas Islam Negeri
Maulana Malik Ibrahim Malang: Spyros Kazarlis Vassilios Petridis and
Jurusan Teknik Informatika. Pavlina Fragkou. Solving University
Timetabling Problems Using
Nurul,Anisty F. 2011. Rancang Bangun Advanced Genetic Algorithms.
Aplikasi Prediksi Jjumlah Penumpang Technological Educational Institute of
Kereta Api Menggunakan Algoritma Serres, Serres 621 24 Greece dan
Genetika.www.eepis- Aristotle University of Thessaloniki,,
its.edu/uploadta/downloadmk.php? Thessaloniki 540 06, Greece
id=1392. Diakses: pada 6 Maret 2011
Suryosubroto B. 2004. Manajemen
Otbiko, M. 1998. Genetic Algorithms. Pendidikan di Sekolah. Jakarta. PT
http://www.obitko.com/tutorials/geneti Asdi Mahasatya
c-algorithms/, Diakses: pada 6 Maret
2011 Suyanto. 2005.Algoritma Genetika dalam
MATLAB.ANDI.Yogyakarta.
Paseru, Debby, dkk. 2007. Sistem Informasi
Pengaturan Jadwal Mata Kuliah Widyadana, I Gede Agus dan
(Studi Kasus : Universitas Katolik Pamungkas,
De La Salle Manado). Intstitut Andree.2002.Perbandingan Kinerja
Teknologi Bandung: Jurusan Teknik Algoritma Genetika Dan Simulated
Informatika Annealing Untuk Masalah Multiple
Objective Pada Penjadwalan
Ponnambalan, S.G., Jawahar, N., and Flowshop.Universitas Kristen
Aravindan, P., 1999. “A Simulated Petra:Fakultas Teknologi Industri,
Annealing Algorithm for Job Shop Jurusan Teknik Industri
Scheduling”, Production Planning and
Control, Vol. 10, No.8, 767-777.
Purwowibowo. 2008. Peningkatan Akurasi
Linear Trnsducer Menggunakan
Genetic Algorithm dan Golden Ratio
Segmentation.
http://www.lontar.ui.ac.id/file?
file=digital/129075-T+24256+
+Peningkatan+akurasi.pdf Diakses:
pada 6 Maret 2011
Riyanto, dkk. 2008. Pengembangan Aplikasi
Manajemen Database.Yogyakarta:
Gava Media