Analisa dan Penerapan Metode Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah

Transkripsi

1 Jurnal Teknk Informatka, Vol 1 September 2012 Analsa dan Penerapan Metode Partcle Swarm Optmzaton Pada Optmas Penjadwalan Kulah Rasha Ashla Rachman 1), Dadang Syarf 2), Rka Perdana Sar 3) 1) Program Stud Teknk Informatka Polteknk Caltex Rau, Pekanbaru 28265; rashaashla@gmal.com 2) Program Stud Sstem Informas Polteknk Caltex Rau, Pekanbaru 28265; dangsyarf@gmal.com 3) Program Stud Teknk Informatka Polteknk Caltex Rau, Pekanbaru 28265; rka@pcr.ac.d Abstrak Jadwal pentng artnya dalam keberlangsungan proses belajar mengajar d suatu perguruan tngg khususnya d Polteknk Caltex Rau (PCR). Penjadwalan kulah yang dlakukan oleh BAAK (Bagan Admnstras dan Akademk Kemahasswaan) Polteknk Caltex Rau dlakukan dengan memproses data data perkulahan dengan memanfaatkan software Mcrosoft Excel untuk menghaslkan jadwal kulah. Tngkat keteltan yang tngg mengurang fungs keefsenan dan terjadnya human error mash besar. Contohnya kemungknan jadwal kulah yang terjad pada jam dan har yang sama pada pemakaan ruangan ataupun pada jadwal mengajar dosen. Atas dasar tu, maka dbuatlah sebuah sstem untuk mengoptmalkan penjadwalan kulah sebaga solus dalam menyelesakan masalah penjadwalan kulah yang terjad d PCR. Algortma Partcle Swarm Optmzaton (PSO) sebaga algortma untuk penyelesaan masalah optmas dengan proses pembangktan poss dan velocty awal, update velocty dan update poss sebaga 3 tahapan utamanya sehngga ddapatkan solus berupa jadwal kulah. Berdasarkan peneltan yang telah dlakukan mash terdapat data bentrok jadwal kulah yang dapat dlhat dar nla ftness sstem sehngga hasl yang ddapat dar sstem penjadwalan kulah n belum dapat daplkaskan pada penjadwalan kulah yang sesungguhnya. Sstem n dbangun menggunakan bahasa pemograman web PHP dan database MySQL. Kata kunc : Penjadwalan Kulah, PSO, PHP, dan MySQL. Abstract Course schedule play crucal role n teachng and learnng at unversty, especally n Polteknk Caltex Rau. The mechansm of actvty n PCR depends on t. Currently the process of schedule management s conducted manually by PCR Student Admnstraton usng Mcrosoft Excel to manage courses schedule. Ths procedure requres hgh accuracy that decrease effcently way, long tme span of process, and the possblty of errors whch plot out schedule clash. Clashes of schedule drag not only tme but also the usage of room, due to ths matter, the schedulng would not be optmal. Based on t, the optmal schedulng requre an applcaton that provde soluton for the problem that occurs n PCR schedule. The method used to optmze the applcaton s Partcle Swarm Optmzaton Algorthm, even though PSO algorthm s used to produce an optmal soluton, there are stll clashes schedulng course conclude that ths method can not be appled n a real course schedulng. The applcaton system s bult by usng PHP web programmng language and MySQL as a database.. Keywords : Schedulng Course, PSO, PHP, and MySQL. 1 PENDAHULUAN Jadwal pentng artnya dalam keberlangsungan proses belajar mengajar d suatu perguruan tngg khususnya d Polteknk Caltex Rau (PCR). Penjadwalan kulah yang dlakukan oleh BAAK (Bagan Admnstras dan Akademk Kemahasswaan) Polteknk Caltex Rau dlakukan dengan memproses data data perkulahan dengan memanfaatkan software Mcrosoft Excel untuk menghaslkan jadwal kulah. Tngkat keteltan yang tngg mengurang fungs keefsenan dan terjadnya human error mash besar. Contohnya kemungknan jadwal kulah yang terjad pada jam dan har yang sama pada pemakaan ruangan ataupun pada jadwal mengajar dosen. Atas dasar tu, maka dbuatlah sebuah sstem untuk mengoptmalkan penjadwalan kulah sebaga solus dalam menyelesakan masalah penjadwalan kulah yang

2 2 Rasha Ashla Rachman terjad d PCR. Optmas penjadwalan kulah adalah memaksmalkan teknk mengatur waktu perkulahan atau belajar mengajar. Algortma Partcle Swarm Optmzaton (PSO) sebaga algortma untuk penyelesaan masalah optmas sehngga ddapatkan solus berupa jadwal kulah. 2 Dasar Teor 2.1 Optmas Berdasarkan buku yang dtuls oleh Suyanto (2010) dsebutkan bahwa optmas merupakan aktvtas untuk mendapatkan hasl yang terbak atau optmal (nla efektf yang dapat dcapa) dar plhan yang terseda. Tujuan dar setap keputusan adalah untuk memnmumkan usaha yang dlakukan atau memaksmumkan keuntungan yang dperoleh. Usaha atau keuntungan tersebut secara praktek dnyatakan sebaga fungs dengan varabel keputusan yang akan dcar nla optmumnya. Optmas sangat berguna dhampr segala bdang dalam rangka melakukan usaha secara efektf dan efsen untuk mencapa target hasl yang ngn dcapa. [5] 2.2 Penjadwalan Kulah Pengertan penjadwalan dapat berbeda beda, tergantung dar konteks dmana kata tersebut dbcarakan, bak dar seg ndustr, bsns, manajemen, ataupun penddkan. Penjadwalan dalam bdang penddkan memlk pengertan secara khusus sebaga duras waktu dar waktu kerja yang dbutuhkan untuk melakukan serangkaan aktvtas kerja dalam kegatan belajar mengajar. Penjadwalan juga merupakan proses penyusunan daftar perkulahan atau daftar kegatan belajar mengajar yang akan dlakukan untuk mencapa atau mewujudkan suatu tujuan tertentu yang juga menamplkan hasl akhr berupa laporan. Dalam penjadwalan kulah dbahas tentang bagamana mengatur pembagan duras waktu perkulahan sesua dengan aturan yang berlaku d perguruan tngg, bak pembagan jadwal untuk tap mahasswa pada mata kulah tertentu maupun dosen pengajar d unverstas tersebut. [1] 2.3 Algortma PSO dengan Parameter Inerta Weght Pada saat sekarang n PSO telah mengalam banyak perubahan. Penelt penelt yang telah mempelajar dan menggunakan algortma telah mengembangkan vers, aplkas dan telah mengeluarkan teor teor pengembangan beberapa parameter dan aspek dar algortma PSO n. Sh dan Eberhart (1998) melakukan varas atau modfkas terhadap algortma orsnl untuk mengendalkan stagnas partkel dengan memasukkan parameter nerta weghtng (w) pada persamaan pertama PSO (Alrjadjs, 2010)[1]. Pada kasus penjadwalan kulah n, partkel adalah satu jadwal kulah yang terdr dar beberapa kelas. Terdapat 3 tahap dar metode PSO pada permasalahan penjadwalan kulah, sebaga berkut [2] : 1. Pembangktan poss dan velocty awal. Proses dar pembangktan poss X dan kecepatan Y n menggunakan fung rand. Pembangktan partkel poss X k dan partkel kecepatan V k dengan notas partkel ke pada waktu ke k menggunakan batas atas (X max ) dan batas bawah (X mn ) sepert persamaan berkut [1][2] : X 0 = X mn + rand (X max X mn ) (1) V 0 = X mn + rand (X max X mn ) (2) Dalam proses random dperlukan slot untuk menampung dar random poss dan random kecepatan. Melalu proses pembangktan partkel n dapat maka kumpulan partkel dapat terdstrbus secara acak. Poss dan kecepatan dar partkel drepresentaskan melalu vector. Vektor sepert dtunjukkan sebaga berkut :

3 Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 3 X k = (X k 1,X k 1,,X k n ) T V k = (V k 1,V k 1,,V k n ) T Untuk jens mata kulah praktkum mengkut pembebanan yang telah dtentukan oleh masng masng prod tap jurusan. Msalkan, data kulah yang dgunakan sebaga berkut : Tabel 1 Data Kulah d_ kulah d_ matkul d_ dosen d_ kelas nama_ matkul KUL DSN59 KLS24 Prak. Keamanan dan Jarngan Komputer KUL DSN38 KLS25 Prak. Keamanan dan Jarngan Komputer KUL DSN61 KLS03 Algortma dan Pemrogram an (Java) KUL DSN62 KLS04 Algortma dan Pemrogram an (Java) nama_ dosen status_ dosen nama_ kelas RMT TETAP 3SI WNS TETAP 3SI JNS TETAP 1TIA DYH TETAP 1TIB 2. Menentukan nla ftness masng masng partkel Tabel 2 Batasan Constrant No Batasan Tdak bentrok dosen Tdak bentrok matakulah Tdak bentrok ruangan Dar nla ftness yang ddapat akan menentukan pelanggaran pelanggaran konstran dar penjadwalan kulah. Apabla pada tap - tap partkel terjad pelanggaran terhadap konstran konstran datas maka nla ftness masng masng partkel akan d-ncrement sebanyak satu untuk tap pelanggaran yang terjad. 3. Proses Update Velocty dan Poss Nla dar local best dan global best yang ddapat akan dgunakan untuk proses update kecepatan dan update poss. Adapun 3 parameter yang mempengaruh pencaran pada algortma partcle swarm optmzaton n adalah w (nerta weght), c1 (faktor learnng

4 4 Rasha Ashla Rachman local partkel), c2 (faktor learnng global partkel) yang dgabungkan dalam satu persamaan [3] : = w *V k + c1 * rnd * (p - X k ) + c2 * rnd * (p g k - X k ) (3) V k 1 Dmana : w = faktor nersa (nerta weght) V k = kecepatan X k = poss rnd = parameter random range 0-1 c1, c2 = konstanta akseleras (learnng rate) p = local best g p k = global best = partkel Persamaan datas adalah persamaan yang dgunakan untuk proses update velocty (update kecepatan) untuk masng - masng partkel dengan menggunakan nla ftness terbak yang ddapat dar perulangan partkel. Perumusan dar update velocty n menggunakan beberapa parameter random (rnd) dengan range 0-1 untuk mendapatkan nla velocty yang bak. Proses terakhr yang dlakukan adalah update poss dar nla update velocty, sepert pada persamaan [4]: X k 1 = X k + V k 1 (4) 3 Perancangan Perancangan mengena aplkas n sepert yang tampak pada gambar-gambar berkut: Gambar 1 Use Case Dagram Use case dagram dgunakan untuk menggambarkan bagamana sstem akan dbangun. Aplkas penjadwalan kulah n dperuntukkan untuk satu orang pengguna (admn).

5 Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 5 Gambar 2 Flowchart Sstem Proses penjadwalan kulah menggunakan Partcle Swarm Optmzaton (PSO) dapat dlhat pada flowchart Gambar 2 datas. Proses awal yang dlakukan adalah nsalsas partkel awal dan parameter perkulahan yang dgunakan untuk proses penjadwalan kulah dengan Algortma PSO. Untuk melakukan proses pembangktan poss dan kecepatan awal maka kta mengambl data pertemuan kulah dar database yang dperlukan untuk proses random untuk poss dan kecepatan yang dmsalkan sebaga slot. Setelah tu kta htung nla ftness dar tap partkel sesua dengan jumlah partkel. Lalu kta menghtung nla local best dan nla global best yatu nla partkel terbak dar semua partkel local best. Kemudan kta melakukan tahapan htung velocty partkel yang dgunakan untuk update nla velocty untuk semua partkel. Apabla krtera berhent tercapa maka proses pun berhent.

6 6 Rasha Ashla Rachman Gambar 3 Entty Relatonshp Dagram Gambar 3. datas menjelaskan perancangan Entty Relatonshp Dagram yang merupakan tabel tabel yang akan dgunakan untuk aplkas penjadwalan kulah. Dar gambar 3 datas dapat dlhat bahwa tabel jadwal memlk semua d dar tabel lan yang menjad foregn key pada tabel jadwal. Tabel dbawah n akan menjelaskan kegunaan dar masng masng tabel. Tabel 3 Penjelasan Tabel dalam ERD Nama Tabel Penjelasan Admn Tabel untuk menympan data admn Mata Kulah Tabel untuk menympan data mata kulah Dosen Tabel untuk menympan data dosen Kelas Tabel untuk menympan data kelas Ruang Tabel untuk menympan data ruangan Ruang _praktkum Tabel untuk menympan data ruang praktkum Kulah Tabel untuk menympan data pertemuan kulah Slot Tabel untuk menympan data slot 4 Hasl dan Dskus Adapun urutan proses yang dlakukan dalam partcle swarm optmzaton untuk penjadwalan kulah n adalah : 1. Buat suatu bass data yang menampung data perkulahan, msalkan tabelnya :

7 Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 7 Tabel 4 Bass Data Perkulahan ID KULIAH ID MATKUL ID DOSEN ID KELAS KUL01 1 DSN83 KLS01 KUL02 1 DSN53 KLS02 KUL03 1 DSN53 KLS03 KUL04 1 DSN53 KLS04 KUL05 1 DSN83 KLS07 2. Buat suatu slot yang akan menampung poss dan velocty dengan ukuran hasl kal jumlah jam, jumlah har, dan jumlah kelas. Slot = jumlah jam x jumlah har x jumlah kelas = 10 x 6 x 38 = 2280 slot Gambaran dar slot awal yang akan dgunakan untuk tap partkel adalah sebaga berkut : Gambar 4 Representas Poss awal dalam slot Berdasarkan gambar 4 datas ddapat nla poss (x) awal, sebaga berkut : x0=0 x5=5 x10=10 x15=15 x20=20 x25=25 x1=1 x6=6 x11=11 x16=16 x21=21 x26=26 x2=2 x7=7 x12=12 x17=17 x22=22 x27=27 x3=3 x8=8 x13=13 x18=18 x23=23 x28=28 x4=4 x9=9 x14=14 x19=19 x24=24 x29=29 x0 mengnsalsakan poss ke 0 atau poss awal ddalam slot. Kemudan masukkan d perkulahan ke dalam slot secara acak. Hal n dlakukan hngga seluruh slot ters. Dmsalkan proses memasukkan d perkulahan dapat dlhat pada Gambar 5 d bawah n :

8 8 Rasha Ashla Rachman Gambar 5 Representas Pembangktan Poss dan Velocty 3. Tentukan parameter parameter PSO dmsalkan : jumlah partkel = 4, jumlah teras = 1, w = 0.9, c1 = 2.5, c2 = 2.5 Kemudan tentukan populas awal secara random, untuk awal proses nla velocty sama dengan nla poss. Setap terjad pelanggaran maka nla ftness akan dncrement sebanyak satu karena nla ftness merealsaskan jumlah bentrokan yang terjad sehngga ddapat nla ftness sebaga berkut : - Nla ftness untuk partkel 1. f1 = 6 - Nla ftness untuk partkel 2. f2 = 2 - Nla ftness untuk partkel 3. f3 = 5 - Nla ftness untuk partkel 4. f4 = 4 Dar nla ftness yang sudah ddapat, kta dapat menentukan nla local best dan global best. Adapun nla local best n adalah ftness yang mempunya nla bentrokan / pelanggaran palng sedkt dan nla global best adalah nla local best yang palng bak dar setap teras sehngga ddapat nla local best sebaga berkut : - Local best = 2 Setelah ddapat nla local best kta dapat menentukan nla global best. Pada perhtungan manual n jumlah teras = 1 dmaksudkan sebaga teras awal. Maka pada teras awal nla local best sama dengan nla global best, sehngga ddapat nla global best sebaga berkut : - Global best = 2 4. Update velocty ( kecepatan ). Setap partkel yang berpndah dar satu poss ke poss yang lan dpengaruh oleh suatu velocty (kecepatan) yang menggambarkan perpndahan poss. Ddalam persamaan untuk mencar velocty terdapat parameter random yang berada pada range 0-1. Nla poss (x) awal yang telah dtentukan dmasukkan ke dalam persamaan velocty [3] : x0=0 x5=5 x10=10 x15=15 x20=20 x25=25 x1=1 x6=6 x11=11 x16=16 x21=21 x26=26 x2=2 x7=7 x12=12 x17=17 x22=22 x27=27 x3=3 x8=8 x13=13 x18=18 x23=23 x28=28 x4=4 x9=9 x14=14 x19=19 x24=24 x29=29

9 Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 9 sehngga ddapat nla velocty sebaga berkut : v0=3 v5=10 v10=12 v15=16 v20=21 v25=23 v1=1 v6=5 v11=10 v16=14 v21=19 v26=23 v2=2 v7=4 v12=8 v17=13 v22=15 v27=19 v3=-2 v8=2 v13=7 v18=16 v23=21 v28=20 v4=4 v9=8 v14=-2 v19=2 v24=14 v29=19 5. Update poss Adapun proses update poss menggunakan persamaan [4]. Sehngga ddapat poss baru yang merupakan hasl tambah poss yang lama dengan velocty yatu: x0=3 x5=15 x10=22 x15=2 x20=12 x25=19 x1=2 x6=11 x11=21 x16=1 x21=11 x26=20 x2=4 x7=11 x12=20 x17=1 x22=8 x27=17 x3=1 x8=10 x13=20 x18=5 x23=15 x28=19 x4=8 x9=17 x14=12 x19=9 x24=9 x29=19 Jka poss baru yang ddapatkan dtamplkan ke dalam bentuk representas poss, maka dapat dlhat pada gambar 6 d bawah n: Gambar 6 Representas Poss Baru 4.1 Pengujan Aplkas 1. Ftur Menu Penjadwalan Kulah 1) Menu Proses Penjadwalan Kulah Menu Penjadwalan kulah n memlk dua sub menu yatu Lhat Jadwal dan Proses Penjadwalan Kulah. Pada menu Proses Penjadwalan kulah dlakukan proses dar mplementas metode Partcle Swarm Optmzaton. Dengan menekan tombol Mula Proses Penjadwalan Kulah untuk mendapatkan hasl penjadwalan kulah sepert yang dlhat pada Gambar 10 berkut n :

10 10 Rasha Ashla Rachman Gambar 7 Halaman Proses Penjadwalan Kulah 5 KESIMPULAN 1. Masalah penjadwalan kulah dapat drepresentaskan ke dalam slot yang merupakan tahapan dar metode PSO yang selanjutnya dapat dbuat program untuk menghaslkan jadwal kulah dengan memenuh aturan aturan penjadwalan dan parameter parameter PSO yang dgunakan. 2. Berdasarkan pengujan parameter yang dlakukan, jumlah partkel yang lebh besar dapat mempengaruh hasl solus yang lebh bak walaupun membutuhkan waktu yang lebh lama dalam pemrosesannya. 3. Spesfkas dar komputer yang dpaka berpengaruh terhadap waktu proses penjadwalan kulah. Spesfkas yang tngg dar komputer yang dpergunakan untuk pengujan dapat menjalankan partkel yang lebh bak dalam pemrosesan penjadwalan kulah dan dapat menghaslkan waktu proses yang lebh cepat. 4. Webste n sudah dapat menghaslkan jadwal kulah, namun mash terdapat bentrokan jadwal dkarenakan langkah langkah PSO yang banyak memlk proses random sehngga tdak sepert penjadwalan kulah yang sesungguhnya. DAFTAR PUSTAKA [1] Alrjadjs. (2010). Optmas Parameter Kontroler PID Berbass Algortma Partcle Swarm Optmzaton (PSO) Untuk Sstem Dengan Waktu Tunda. Insttut Teknolog Sepuluh Nopember. Surabaya. [2] Aran, Dan. (2010). Optmas Penjadwalan Mata Kulah Dengan Menggunakan Algortma Partcle Swarm Optmzaton (PSO). Polteknk Elektronka Neger Surabaya-Insttut Teknolog Sepuluh Nopember. Surabaya. [3] Gazal, Harry Rahmat. (2010). Penjadwalan Kulah Menggunakan Genetc Algorthm. Polteknk Caltex Rau. Pekanbaru. [4] Shau, Der-Fang,. (2011). A Hybrd Partcle Swarm Optmzaton for a Unversty Course Schedulng Problem wth Flexble Preferences. Fooyn Unversty, Kaohsung, Tawan, ROC. [5] Suyanto. (2010). Algortma Optmas Determnstk atau Probablstk. Yogyakarta [6] Zerda, Ev Ra. (2009). Analss dan Penerapan Algortma Partcle Swarm Optmzaton (PSO) pada Optmas Penjadwalan Sumber Daya Proyek. Insttut Teknolog Telkom. Bandung..