APLIKASI PENYUSUNAN JADWAL DENGAN ALGORITMA GENETIK PADA SEKOLAH MENENGAH KEJURUAN BUDI MULIA TANGERANG

Transkripsi

1 APLIKASI PENYUSUNAN JADWAL DENGAN ALGORITMA GENETIK PADA SEKOLAH MENENGAH KEJURUAN BUDI MULIA TANGERANG Windarto 1, Bima Sukma Wijaya 2 12 Fakultas Teknologi Informasi Universitas Budi Luhur, Jakarta, Telp. (021) , Fax. (021) windarto@ymail.com, 2 bimasukmawijaya@gmail.com Abstrak Penyusunan jadwal pada suatu sekolah merupakan permasalahan yang cukup kompleks, kegiatan ini biasa dilakukan dengan tangan dan membutuhkan waktu yang cukup lama untuk menyusunnya. Selain itu, tinjauan ulang terhadap jadwal yang terbentuk juga biasanya dilakukan berkali-kalitulah penulis mengusulkan sebuah penyelesaian yang cukup efektif karena suatu faktor dan parameter tertentu. Untuk yaitu menggunakan sebuah sistem cerdas untuk menyusun jadwal dengan menggunakan Algoritma Genetik sub dari Kecerdasan Tiruan sebagai otak inti dari sistem tersebut. Algoritma Genetik adalah suatu algoritma pencarian yang berbasis pada mekanisme seleksi alam dan genetik pada suatu makhluk hidup. Dalam proses evolusi, individu secara terus-menerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan hidupnya dan hanya individu-individu yang kuat yang mampu bertahan. Proses seleksi alamiah ini melibatkan perubahan gen yang terjadi pada individu melalui proses perkembangbiakan. Dalam Algoritma Genetik, proses perkembangbiakan ini menjadi proses dasar yang menjadi perhatian utama, dengan dasar pemikiran bagaimana mendapatkan keturunan yang lebih baik. Algoritma ini bekerja dengan sebuah populasi yang terdiri dari individu-individu, yang masing-masing individu mempresentasikan sebuah solusi yang mungkin menjadi persoalan yang ada. Dalam kaitan ini, individu dilambangkan dengan sebuah nilai fitness yang akan digunakan untuk mencari solusi terbaik dari persoalan yang ada. Sebelum Algoritma Genetik dapat dijalankan, maka sebuah kode yang sesuai (representatif) untuk persoalan harus dirancang. Untuk itu titik solusi dalam ruang permasalahan dikodekan dalam bentuk kromosom/string yang terdiri atas komponen genetik terkecil yaitu gen. Kemudian untuk menghasilkan keturunan dilakukan reproduksi, pindah silang, dan mutasi. Dengan menggunakan data asli dari setiap jurusan yang ada, sistem ini tidak akan mengalami kesulitan dalam melakukan pembagian kelompok kelas dan tentu saja memiliki performa yang jauh lebih baik jika dibandingkan dengan penyusunan kelompok kelas belajar secara manual. Sistem ini juga dilengkapi dengan tampilan yang elegan dan mudah digunakan sehingga pengguna dalam hal ini staff tata usaha dapat merasa nyaman. Kata Kunci : Algoritma Genetik, Kecerdasan Tiruan, Penyusunan Jadwal I. PENDAHULUAN Penyusunan jadwal dalam suatu institusi pendidikan selalu dilakukan bersamaan dengan bergantinya tahun ajaran. Proses penyusunan jadwal pada SMK Budi Mulia Tangerang masih bersifat semi komputerisasi. Hal ini dapat membuat proses penyusunan jadwal membutuhkan waktu yang cukup lama. Algoritma Genetik adalah salah satu solusi untuk mempermudah penyusunan jadwal. Batasan masalah yang diambil adalah guru dapat mengajar lebih dari satu mata pelajaran. Guru dapat memilih hari untuk mengajar. Kegiatan belajar mengajar berlangsung dari hari Senin sampai hari Sabtu setiap pekan. Dalam satu hari terdapat 7 jam pelajaran kecuali hari Senin dan Jumat. Alokasi waktu untuk setiap mata pelajaran setiap pekan diatur dalam kurikulum sesuai jenjang dan jurusan. Maksimal jam pelajaran da lam satu hari untuk setiap mata pelajaran adalah 2 jam pelajaran. II. Landasan Teori C-189

2 2.1. Algoritma Genetik Algoritma Genetik pertama kali dikembangkan oleh John Holland dari Universitas Michigan pada tahun John Holland menyatakan bahwa setiap masalah yang berbentuk adaptasi (alami maupun buatan) dapat diformulasikan ke dalam terminologi genetik. Algoritma Genetik adalah proses simulasi dari proses evolusi Darwin dan operasi genetik atas kromosom [8]. Tabel 1: Perbandingan Istilah pada Sistem Alamiah dengan Algoritma Genetik Sistem Alamiah Algoritma Genetik Kromosom String Gen Fitur, Karakter atau Detektor Allel Nilai Fitur Locus Posisi String Genotip Struktur Fenotip Set Parameter, Solusi Alternatif, Struktur yang di-decode Epitasis Non Linieritas Beberapa definisi penting dalam Algoritma Genetik, yaitu: a. Genotype (gen) adalah sebuah nilaii yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam Algoritma Genetik, gen ini bisa berupa nilai biner, float, integer, maupun karakter. b. Allel adalah nilai dari gen. c. Kromosom adalah gabungan dari gen-gen yang membentuk nilai tertentu. d. Individu menyatakan satu nilai dari keadaan yang menyatakan salah satu siklus proses evolusi. e. Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi. f. Generasi menyatakan satuan siklus proses evolusi. g. Nilai fitness menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan. Algoritma Genetik secara umumm dapat diilustrasikan dalam diagram alir yang dapat dilihat pada gambar berikut: Mulai Mutasi Crossover Populasi Awal Keriteria Berhenti Terpenuhi? Tidak Seleksi Ya Evaluasi Fitness Hasil Selesai Gambar 1: Diagram Alir Algoritma Genetik Struktur umum dari suatu Algoritma Genetik dapat didefinisikan dengan langkah-langkah sebagai berikut: 1. Membangkitkan populasi awal C-190

3 Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi itu sendiri terdiri dari sejumlah kromosom yang mempresentasikan solusi yang diinginkan. 2. 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. 3. Evaluasi solusi Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi langkah 2. Beberapa kriteria berhenti yang sering digunakan antara lain: a) Berhenti pada generasi tertentu. b) Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak berubah. c) Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi. Komponen-komponen utama Algoritma Genetik [8]: 1. Teknik pengkodean 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 Genetik [2]. Teknik pengkodean ini meliputi pengkodean gen dan kromosom. Gen merupakan bagian dari kromosom. Satu gen biasanya akan mewakili satu variable. Gen dapat direpresentasikan dalam bentuk string bit, pohon, array bilangan real, daftar aturan, elemen permutasi, elemen program, atau representasi lainnya yang dapat diimplementasikan untuk operator genetik. 2. Prosedur inisialisasi Ukuran populasi tergantung pada masalah yang akan dipecahkan dan jenis operator genetik 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 tettap memperhatikan domain solusi dan kendala permasalahan yang ada. 3. Evaluasi fitness Evaluasi fitness merupakan dasar untuk proses seleksi. Langkah-langkahnya yaitu string dikonversi ke parameter fungsi, fungsi objektifnya dievaluasi, kemudian mengubah fungsi objektif tersebut ke dalam fungsi fitness. Dimana untuk maksimalisasi problem, fitness sama dengan fungsi objektifnya. Output dari fungsi fitness dipergunakan sebagai dasar untuk menseleksi individu pada generasi berikutnya. Untuk permasalahan minimalisasi, nilai fitness adalah inversi dari nilai minimal yang diharapkan. Proses inversi dapat dilakukan dengan: : A : Konstanta yang ditentukan X : Individu (kromosom) e : Bilangan kecil yang ditentukan untuk menghindari pembagi nol atau f(x) = 0 4. Seleksi C-191

4 Seleksi ini bertujuan untuk memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang paling baik. Ada beberapa metode seleksi dari induk, antara lain: a. Rank-based fitness assignment b. Roulette wheel selection c. Stochastic universal sampling d. Truncation selection e. Tournament selection Prosiding Seminar Nasional Multidisiplin Ilmu 5. Operator genetik Operator genetik terdiri dari crossover dan mutasi. Crossover (perkawinan silang) bertujuan menambah keanekaragaman string dalam satu populasi. Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam suatu kromosom. 6. Penetuan parameter kontrol Algoritma Genetik Kontrol parameter genetik diperlukan untuk mengendalikan operator-operator seleksi. Pemilihan parameter genetik menentukan penampilan kinerja Algoritma Genetik dalam memecahkan masalah. Ada dua parameter dasar dari Algoritma Genetik, yaitu probabilitas crossover (pc) dan probabilitas mutasi (pm). Probabilitas crossover menyatakan seberapa sering proses crossover akan terjadi antara dua kromosom orang tua. Jika tidak terjadi crossover, satu orang tua dipilih secara random dengan probabilitas yang sama dan di duplikasi menjadi anak. Jika terjadi crossover, keturunan dibuat dari bagian-bagian kromosom orang tua. Jika probabilitas crossover 100% maka keseluruhan keturunan dibuat dengan crossover. Jika probabilitas crossover 0% maka generasi baru dibuat dari salinan kromosom-kromosom dari populasi lama yang belum tentu menghasilkan populasi yang sama dengan populasi sebelumnya karena adanya penekanan selektif. Probabilitas mutasi menyatakan seberapa sering bagian-bagian kromosom akan dimutasikan. Jika tidak ada mutasi, keturunan diambil/disalin langsung setelah crossoverr tanpa perubahan. Jika mutasi dilakukan, bagian-bagiann kromosom dibuah. Jika probabilitas mutasi 100%, keseluruhan kromosom diubah. Jika probabilitas mutasi 0%, kromosom tidak ada yang diubah. Probabilitas mutasi dalam Algoritma Genetik seharusnya diberi nilai yang kecil. Umumnya, probabilitas mutasi diset untuk mendapatkan rata-rata satu mutasi per kromosom, yaitu angka/allel = 1/panjang kromosom. Kemudian, hasil yang sudah pernah dicoba menunjukkan bahwa angka probabilitas terbaik adalah antara 0,5% sampai 1% %. Hal ini karena tujuan mutasi adalah menjaga perbedaan kromosom dalam populasi, untuk menghindari konvergensi premature. Parameter lain yang juga ikut menentukan efisiensi kinerja Algoritma Genetik adalah ukuran populasi (popsize), yaitu banyaknya kromosom dalam satu populasi. Jika terlalu sedikit kromosom dalam populasi, Algoritma Genetik mempunyai kemungkinan sedikit untuk melakukan crossover dan hanya sebagian kecil dari ruang pencarian yang dieksplorasi. Sebaliknya, jika terlalu banyak jumlah kromosom, Algoritma Genetik cenderung menjadi lambat dalam menentukan solusi [2]. Ada beberapa rekomendasi yang bisa digunakan dalam kontrol Algoritma Genetik, antara lain: (a) Untuk permasalahan yang memiliki kawasan solusi cukup besar, De Jong merekomendasikan untuk nilai parameter kontrol: (popsize; pc; pm) = (50; 0,6; 0,001). (b) Bila rata-rata fitness setiap generasi digunakan sebagai indikator, maka Greferstette merekomendasikan: (popsize; pc; pm) = (30; 0,95; 0,01). (c) Bila fitness dari individu terbaik dipantau pada setiap generasi, maka usulannya adalah: (popsize; pc; pm) = (80; 0,45; 0,01). (d) Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang jenis permasalahan. C-192

5 III. RANCANGAN SISTEM DAN APLIKASI 3.1. Identifikasi Masalah Permasalahan yang dihadapi saat ini adalah proses penyusunan jadwal pelajaran pada SMK Budi Mulia masih menggunakan cara manual. Jumlah data yang cukup banyak menyebabkan proses berlangsung rumit, membutuhkan waktu yang relatif lama, dan sulit untuk mengetahui kesalahan-kesalahan yang ada Pemecahan Masalah Solusi dari identifikasi masalah yang telah dikemukakan diatas yaitu dengan memanfaatkan Algoritma Genetik untuk diterapkan pada aplikasi penyusunan jadwal secara otomatis. Dengan aplikasi yang dibangun menggunakan Algoritma Genetik ini diharapkan para staff tata usaha dapat melakukan penyusunan jadwal dengan lebih cepat dan mudah. Hal ini dikarenakan aplikasi ini dapat memproses penyusunan jadwal berdasarkan jenjang, jurusan dan tahun ajaran, mampu menginput mata pelajaran, guru, kelas serta kurikulum baru Rancangan Basis Data Berikut ini adalah Logical Record Structure yang menggambarkan mengenai hubungan antar tabel yang saling terkait pada database yang digunakan untuk pengembangan aplikasi penyusunan jadwal ini. Pelajaran *Kode_Pelajaran Nama_Pelajaran Kurikulum *Kurikulum Alokasi_Waktu Kode_Pelajaran Kode_Jenjang Kode_Jurusan Kode_Semester Jenjang *Kode_Jenjang Detail_Guru_Pelajaran *Kode_Guru *Kode_Pelajaran Semester *Kode_Semester Ketarangan Jurusan *Kode_Jurusan Detail_Guru_Hari *Kode_Guru *Kode_Hari Guruu *Kode_Guru Nama_Guru Kode_Pelajaran Kode_Harii Slot_Pelajaran *Kode_Slot Waktu Kode_Guru Kode_Kurikulum Kode_Semester Kode_Kelas Kelas *Kode_Kelas Grup Kode_Jurusan Kode_Jenjang Hari *Kode_Hari Slot_Waktu *Kode_Waktu Kode_Hari Jadwal *Kode_Slot *Kode_Waktu *Kode_Thn_Ajar Thn_Ajar *Kode_Thn_Ajar Gambar 1: Logical Record Structure Flowchart Algoritma Genetik Gambar dibawah ini merupakan diagram alir dari Algoritma Genetik yang digunakan pada aplikasi penyusunan jadwal pelajaran di SMK Budi Mulia Tangerang: C-193

6 START buat populasi awal dengan ukuran n x 1, x 2,, x n evaluasi nilai fitness setiap kromosom f(x 1 ), f(x 2 ),, f(x n ) memenuhi kriteria? True END True False berdasarkan probabilitas persilangan, lakukan persilangan seleksi dua kromosom dari populasi untuk reproduksi False populasi penuh? buang setengah populasi kromosom dengan fitness terburuk berdasarkan probabilitas mutasi, lakukan mutasi pada kedua keturunan lakukan strategi perbaikan pada kedua keturunan evaluasi nilai fitness pada kedua keturunan masukkan kembali kedua keturunan ke dalam populasi Gambar 3: Flowchart Algoritma Genetik IV. HASIL DAN PEMBAHASAN 4.1. Implementasi Program Implementasi sistem berguna untuk mengetahui apakah sistem yang telah dibuat dapat berjalan secara maksimal, untuk itu maka program tersebut harus diuji dahulu mengenai kemampuannya agar dapat berjalan sesuai dengan yang diharapkan pada saat implementasi nantinya Tampilan Layar Berikut ini adalah beberapa tampilan layar aplikasi penyusunan jadwal dengan Algoritma Genetik. a. Tampilan Layar Form Entry Master Kurikulum Dibawah ini adalah tampilan dari form entri master kurikulum, dimana terdapat dua buah tab pada form ini. Tab pertama digunakan untuk menentukan jenjang pendidikan, jurusan atau peminatan dan untuk menentukan kurikulum semester yang akan dibuat. Sementara pada tab kedua digunakan untuk pemilihan nama mata pelajaran, status mata pelajaran, dan alokasi waktu untuk mata pelajaran. Gambar 4. 1: Tampilan Layar Form Entry Master Kurikulum (TAB Entry Data 2) C-194

7 b. Tampilan Layar Form Create Slot Pelajaran Form ini juga memiliki dua buah tab. Tab pertama digunakan untuk menentukan kelas dan semester slot pelajaran yang akan dibuat sementara tab kedua digunakan untuk memilih nama guru yang akan mengajar beserta mata pelajaran dan alokasi waktunya. Gambar 4. 2: Tampilan Layar Form Create Slot Pelajaran (TAB Entry Data 2) c. Tampilan Layar Form Buat Jadwal Pada tampilan layar form buat jadwal pengguna akan diminta untuk memasukkan jumlah kromosom atau populasi dan jumlah generasi, serta memilih tahun ajaran dan semester yang akan dibuatkan jadwalnya. Gambar 14: Tampilan Layar Form Buat Jadwal d. Tampilan Layar Form Lihat Jadwal Form ini digunakan untuk melihat hasil penyusunan jadwal yang telah berhasil dibuat. Pengguna dapat melihat hasil penjadwalan setelah memilih tahun ajaran dan semester yang akan ditampilkan jadwalnya. Pengguna juga dapat mencetak jadwal yang ditampilkan. C-195

8 Gambar 15: Tampilan Layar Form Lihat Kelompok 4.3. Evaluasi Program Evaluasi program merupakan salah satu hal yang perlu dilakukan dalam setiap pengembangan aplikasi guna menganalisa dan mengetahui hasil yang telah dicapai oleh aplikasi yang dikembangkan tersebut. Demikian juga pada aplikasi ini, maka dilakukan evaluasi tersebut ditemukan beberapa kelebihan dan kekuranan program yang dilihat dari beberapa kondisi dan situasi. Adapun kelebihan dan kekurangan pada aplikasi yang dikembangkan adalah sebagai berikut: a. Kelebihan Program Salah satu kendala dalam penerapan algoritma genetik adalah waktu proses. Penerapan algoritma yang tidak tepat dapat memperlambat waktu pencarian solusi. Pada aplikasi penyusunan jadwal ini, waktu proses menjadi salah satu perhatian utama. Berbagai cara telah diterapkan untuk mempercepat waktu proses, salah satunya adalah dengan memodifikasi beberapa kelas tertentu. Alhasil, aplikasi ini memiliki waktu proses yang cukup cepat. Aplikasi ini tidak membutuhkan persyaratan sistem yang canggih. Desain antarmuka pengguna yang menarik dan mudah digunakan. b. Kekurangan Program Kesalahan inputan data guru dan mata pelajaran dapat memperlambat proses penyusunan jadwal. V. KESIMPULAN Setelah membahas dan mengkaji aplikasi ini sampai dengan memberikan sebuah solusi tentang penyusunan jadwal secara otomatis, maka dapat ditarik beberapa kesimpulan diantaranya adalah sebagai berikut: a. Diharapkan dengan penerapan aplikasi yang dapat menyusun jadwal pelajaran secara otomatis akan meminimalkan kesalahan-kesalahan saat proses penyusunan jadwal pelajaran yang sering terjadi dengan jika dilakukan dengan cara manual, sehingga dapat mempercepat proses penyusunan jadwal pelajaran tiap kelas dan jurusan dan dapat menggantikan proses penyusunan jadwal pelajaran secara manual. b. Sistem ini masih memiliki kelemahan yaitu apabila terdapat kesalahan data yang dimasukkan akan mempengaruhi waktu proses hingga menjadi lebih lama, untuk itu disarankan memeriksa keabsahan data yang akan dimasukkan agar tidak memperlambat proses penyusunan jadwal oleh system ini. C-196

9 DAFTAR PUSTAKA Prosiding Seminar Nasional Multidisiplin Ilmu [1] Davis, L. (1992). Hand Book of Genetic Algorithm. New York, Van Nostrand Reinhold. [2] Desiani, Anita. (2006). Konsep Kecerdasan Buatan. Yogyakarta, Andi Offset. [3] Gen, M. Dan Cheng, R. (1997). Genetic Algoritm and Enginering Design, Ashikaga Institute of Technology Ashikaga. Japan, A Wiley-Interscience Publication, John Wiley & Sons, Inc. [4] Golberg, D.H. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. New York, Addison-Wesley. [5] Kusumadewi, Sri. (2003). Artificial Intelligence (Teknik & Aplikasinya). Yogyakarta, Graha Ilmu. [6] Man, K.F., Tang, K.S., and Kwong, S. (1996). Genetic Algorithms: Conceps and Applications. IEEE Transactions on Industrial Electronics, Vol. 43, No.5, pp: [7] Prasetyo, Dwi, Didik. (2007). 150 Rahasia Pemrograman Java. Jakarta: Elex Media Komputindo. [8] Sutopo, Hadi, Ariestro. (2002). Analisa dan Desain Berorientasi Objek. Yogyakarta, J & J Learning. [9] Tackett, W. A., 1994, Recombination, Selection, and the Genetic Construction of Computer Programs, Ph.D. thesis, University of Southern California, Department of Computer Engineeringg [10] Winston, P. H. (1992). Artificial Intelligence. Boston, Addison-Wisley. C-197