Optimasi Penjadwalan Perkuliahan Dengan Menggunakan Hybrid Discrete Particle Swarm Optimization (Studi Kasus: PTIIK Universitas Brawijaya)

Transkripsi

1 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: X Vol. 1, No. 4, Aprl 2017, hlm Optmas Penjadwalan Perkulahan Dengan Menggunakan Hybrd Dscrete Partcle Swarm Optmzaton (Stud Kasus: PTIIK Unverstas Brawjaya) Muhammad Syafq 1, Imam Cholssodn 2, Hmawat Aryadta 3 Program Stud Teknk Informatka, Emal: 1 d.muhammad.syafq@gmal.com, 2 mamcs@ub.ac.d, 3 hmawat@ub.ac.d Abstrak Penjadwalan pada umumnya dlakukan secara manual dengan menggunakan tabel konvensonal atau spreadsheet. Akbatnya berdampak pada kualtas hasl penjadwalan dan dapat menguras waktu dan tenaga apabla jadwal yang dpertmbangkan mencapa rbuan. Berdasarkan permasalahan tersebut, dbutuhkan sstem cerdas yang tdak hanya mengotomas prosesesnya, tetap juga mengoptmas haslnya. PSO adalah metode optmas yang terbukt efektf dgunakan untuk memecahkan masalah optmas multdmens dan mult-parameter dbandngkan dengan metode yang lan. Algortme DPSO dgunakan pada peneltan n dkarenakan permasalahan yang dangkat merupakan permasalahan kombnatoral. Berbaga strateg juga dgunakan dalam penggunaan DPSO n sepert clusterng komposs data pada partkel, penggunaan metode transposs dalam perubahan poss partkel, penggunaan tme-varant, strateg pengacakan poss partkel, strateg perbakan poss partkel serta penggunaan multthreadng. Dharapkan dapat memberkan hasl penjadwalan dan waktu eksekus yang optmal. Dengan berbaga macam strateg yang dgunakan, peneltan n akan menggunakan pendekatan Hybrd Dscrete Partcle Swarm Optmzaton. Hasl pengujan menunjukkan kombnas parameter yang menghaslkan ftness terbak adalah: b mn loc = 0,6, b loc = 1, b mn glob = 0,6, b glob = 1, b mn rand = 0,b rand = 0,002, jumlah partkel 2 dan jumlah teras Ftness yang dhaslkan adalah ,76 dengan waktu eksekus 1 jam 46 ment 14 detk dan 600 mldetk. Kata kunc: penjadwalan, PSO, dskrt, kombnatoral, transposs, tme varant. Abstract Generally, tmetablng s done by usng conventonal tables or spreadsheets. As a result, ts affect the qualty of tmetable and t could dran tme and energy f data s consdered n thousands. Based on these problems, t requres an ntellgent system that not only automates ts process but also optmzes the result. PSO s proved effectve to solve multdmensonal and multparameter optmzaton problems compared wth other methods. DPSO s used n ths study because of combnatorcs problems. Varous strateges are also used n ths method such as clusterng partcle representaton, transposton method for partcle movement, tme-varant approach, guded random strateges, partcle s poston repar strateges, and multthreadng. The strategy s expected to mprove tmetablng result. Wth the varous strateges that have been used, ths study wll use Hybrd Dscrete Partcle Swarm Optmzaton approach. The test results showed the combnaton of parameters that resultng the best ftness s: b mn loc = 0.6, b loc = 1, b mn glob = 0.6, b glob = 1, b mn rand = 0,b rand = 0.002, partcle total 2 and teraton total 50,000. The resultng ftness s 248, wth the total executon tme s 1 hour 46 mnutes 14 seconds and 600 mllseconds. Keywords: tmetablng, PSO, dscrete, combnatoral, transposton, tme varant. 1. PENDAHULUAN Penjadwalan berkatan dengan alokas sumber daya yang langka pada suatu kegatan tertentu dengan tujuan untuk mengoptmalkan satu atau lebh ukuran knerja, sepert memnmalsas makespan, mengurang jumlah pekerjaan yang terlambat, memampatkan pekerjaan dan lan sebaganya dkarenakan Fakultas Ilmu Komputer Unverstas Brawjaya 249

2 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 250 komplekstas masalah yang melekat dan banyaknya varabltas (Jakobov'c dan Budn, 2006). Masalah penjadwalan mash menjad su menark yang dtelt dan dkembangkan oleh banyak penelt (Yang dan Jat, 2011), salah satunya adalah penjadwalan perkulahan. Permasalahan Penjadwalan Perkulahan atau bsa dsebut Unversty Course Tmetablng Problem (UCTP) merupakan suatu perencanaan untuk mengalokaskan sejumlah mata kulah kedalam kumpulan perode (tmeslot) dan ruangan tanpa melanggar aturan yang ada (Irene et al., 2009). UCTP danggap menjad salah satu masalah yang sult dhadap oleh perguruan tngg (A.Wasfy, 2007, Yang dan Jat, 2011). Berbaga macam metode telah dgunakan untuk menyelesakan masalah penjadwalan sepert Partcle Swarm Optmzaton (Chen dan Shh, 2013, Irene et al., 2009, Kumar et al., 2013, Sharma dan Snghal, 2014), dan Genetc Algorthms (Thanh, 2007, Wall, 1996, Yang dan Jat, 2011). Partcle Swarm Optmzaton (PSO) adalah metode optmas yang terbukt efektf dgunakan untuk memecahkan masalah optmas multdmens dan mult-parameter (Wall, 1996). Ketka dterapkan pada berbaga masalah PSO menghaslkan kualtas yang lebh bak dan knerja yang lebh cepat bla dbandngkan dengan algortme genetka. PSO juga lebh bak dalam menangan konvergens dbandngkan dengan algortme genetka (Abdelhalm dan Habb, 2009, Jang et al., 2013). Algortme PSO menghaslkan solus yang powerful bla daplkaskan pada permasalahan dengan doman kontnyu, tetap tdak pada doman dskrt, sehngga Kennedy dan Eberhart pada tahun 1997 mengusulkan optmas algortme PSO pada doman dskrt. Tercptalah metode baru yatu Dscrete Partcle Swarm Optmzaton DPSO yang merupakan pengembangan dar algortme PSO untuk doman dskrt. Beberapa pengembangan dar algortme DPSO juga dgunakan untuk menyelesakan permasalahan pada peneltan n sepert penggunaan tme-varant (Ratnaweera et al., 2004), partcle encodng (Chen dan Shh, 2013), guded random method, serta repar method, harapannya dapat menyelesakan permasalahan penjadwalan dengan lebh bak. Berdasarkan pengembangan tersebut dalam peneltan n menggunakan pendekatan Hybrd Dscrete Partcle Swarm Optmzaton dalam menyelesakan permasalahan penjadwalan perkulahan. 2. METODE 2.1. Partcle Swarm Optmzaton Partcle Swarm Optmzaton (PSO) adalah teknk optmas stokastk berbass populas yang dkembangkan oleh Dr. Eberhart dan Dr. Kennedy pada tahun 1995 ternspras oleh perlaku sosal berkelompok burung (Kennedy dan Eberhart, 1995). Algortma dasar PSO terdr dar tga tahap, yatu pembangktan poss dan kecepatan partkel, update kecepatan dan update poss. Poss partkel berubah setap terasnya berdasarkan varabel update kecepatan. Langkah Pertama, poss x k, dan kecepatan v k dar kumpulan partkel dbangktkan secara acak menggunakan batas atas (x ) dan batas bawah (x mn ) dar desan varable dtunjukkan pada Persamaan 1 dan 2. x 0 = x mn + rand(x x mn ) (1) v 0 = x mn + rand(x x mn ) (2) Langkah kedua adalah melakukan update kecepatan terbaru (v k+1 ) pada masng-masng partkel pada waktu k + 1 berdasarkan kecepatan sebelumnya (v k ) dan kedua poss terbak yang telah dcar (p best dan g best ). Perumusan update velocty mencakup beberapa parameter random (rnd), nerta factor (w), self-confdence (c 1 ), swarm confdence (c 2 ) dtunjukkan pada Persamaan 3 dan 4. v k+1 = w v k + c1 rnd(1) (p k x k ) + c2 rnd(1) (p g,k x k ) (3) w = (w + w mn ) + ter +ter + w ter (4) Langkah ketga adalah melakukan update poss partkel (x k+1 ) berdasarkan kecepatan yang dmlknya (v k+1 ). Dharapkan dengan berubahnya poss partkel dapat menemukan solus optmal. Update poss partkel dtunjukkan pada Persamaan 5. x k+1 = x k + v k+1 (5) 2.2. Dscrete Partcle Swarm Optmzaton Tahun 1997 vers dskrt/bner dar algortme PSO dusulkan oleh Kennedy dan Eberhart untuk masalah optmas dskrt (Kennedy dan Eberhart, 1997). Setap partkel terdr dar D elemen yang menunjukkan solus potensal. Setap partkel danggap sebaga poss d ruang dmens D dan setap elemen dar poss partkel dapat bernla 0 atau 1. Persamaan yang dgunakan untuk memperbaru kecepatan

3 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 251 dan poss vektor dar masng-masng partkel DPSO dtunjukkan pada Persamaan 6, 7 dan 8. V (t+1) (j) = V t (j) + c 1 r 1 (p t best (j) X t (j)) c 2 r 2 (n best t (j) X t (j)) (6) X (t+1) (j) = { 1 sg (V (t+1) (j)) > r j } (7) 0 lannnya dmana: sg (V (t+1) (j)) = 1 1+exp( V (t+1) (j)) (8) 2.3. Tme Varyng Partcle Swarm Optmzaton Tahun 2004 Ratnaweera menelt bahwa pada algortme optmas berbass populas, ndvdu dharapkan bergerak untuk mencar poss seluas-luasnya pada awal pencaran dan melakukan pencaran menuju global optmum pada akhr pencaran (Ratnaweera et al., 2004). Berdasarkan peneltan tu, Ratnaweera mengenalkan pendekatan baru menggunakan kecepatan yang berubah secara konstan serng bertambahnya teras (tme-varant). Pendekatan tersebut dlakukan dengan cara menurunkan pengaruh g best dan menngkatkan pengaruh p best dengan cara merubah komposs parameter c 1 dan c 2 dar waktu ke waktu. Tnggnya pengaruh p best dan rendahnya pengaruh g best pada awal pencaran membuat partkel bergerak secara bebas pada swarm darpada bergerak menuju global optmum. Sedangkan menurunkan pengaruh p best dan menngkatkan pengaruh g best pada akhr pencaran menyebabkan partkel bergerak menuju global optmum. Secara matemats perubahan nla c 1 dan c 2 dtunjukkan pada Persamaan 9 dan 10. Peneltan tersebut menyatakan bahwa solus yang dhaslkan dengan menggunakan tme-varant lebh bagus darpada menggunakan PSO basa maupun dengan menggunakan faktor nersa dan constrcton factor (Ratnaweera et al., 2004). c 1 = (c mn 1 c 1 ) ( t ) + c 1 (9) c 2 = (c 2 c mn 2 ) ( t ) + c 2 mn (10) 2.4. Hybrd Dscrete Partcle Swarm Optmzaton Representas Partkel t t Partkel dsusun atas urutan data pelajaran yang telah dtentukan sebelumnya. Data pelajaran merupakan data yang menympan nformas pelajaran selama penjadwalan tersebut akan dlaksanakan. Data n memuat enam nformas yatu mata kulah, jumlah sks, jumlah perkulahan selama semnggu, dosen, kelas, dan kemungknan ruangan yang dapat dtempat. Berkut adalah contoh daftar pelajaran dtunjukkan pada Tabel 1. Tabel 1. Data Pelajaran No Mata Kulah SKS Kelas 1 Pemrograman Dasar 2 INF-1-A 2 Pemrograman Dasar 2 INF-1-B 3 Pemrograman Dasar 2 INF-1-C 1244 Dummy 1 Semua Data dummy pada daftar pelajaran dgunakan sebaga pelengkap data agar semua pelajaran dapat dtempatkan d seluruh kemungknan ruangan yang ada. Strateg untuk memaksmalkan hasl ftness, masng-masng pelajaran akan dkelompokkan berdasarkan kemungknan ruangan dar pelajaran tersebut sehngga apabla poss partkel berubah, pelajaran tersebut akan berpndah poss hanya dalam satu cluster sehngga tdak ada pelajaran yang dtempatkan d luar ruangan yang telah dtetapkan. Representas partkel dtunjukkan pada Gambar Gambar 1. Representas Partkel Gambar 1 menunjukkan pelajaran 1 dan 2 berada pada cluster yang berbeda. Hal n dkarenakan kedua pelajaran tersebut memlk kemungknan penempatan d ruangan yang berbeda. Dengan demkan pelajaran 1 tdak dapat menempat ruangan yang dmlk oleh pelajaran Update Poss Update poss yang dgunakan berdasarkan peneltan dar Hoffmann et al. (2011) yang mengadops peneltan Clerc (2000). Update poss yang d kenalkan oleh Clerc sangat cocok bla dmplementaskan menggunakan representas partkel pada peneltan n tetap mash terdapat banyak kendala sehngga Hoffmann memperbak update poss tersebut. Berkut adalah update poss yang telah

4 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 252 dmodfkas oleh Hoffmann dtunjukkan pada Persamaan 11 sampa 14. x t+1 = d glob (d loc d glob ) + v rand (11) dengan d loc = x t + r loc b loc (p t x t ) (12) d glob = x t + r glob b glob (p g x t ) (13) t v rand = r rand b rand (p rand x t ) (14) Fungs Ftness Fungs ftness djadkan sebaga alat ukur untuk memlh objek terbak dar sekumpulan objek yang ada (Tang dan Lee, 2006). Dalam algortme evolus fungs ftness bertanggung jawab dalam menentukan solus yang terbak dar sekumpulan solus yang ada (Nelson et al., 2009). Permasalahan penjadwalan merupakan permasalahan yang dgunakan untuk memnmalsas konflk waktu antara mata kulah, kelas, ruangan serta dosen pengajar dan juga memnmalkan konflk dar aturan lan (constrant) yang telah dtentukan. Sehngga dalam hal n semakn besar nla yang dhaslkan maka semakn sedkt konflk yang terjad dar solus tersebut. Pada permasalahan terdapat 2 tpe constrant yatu hard constrant dan soft constrant. Hard Constrant merupakan suatu aturan yang dtetapkan dan harus dpenuh (Burke dan Petrovc, 2002). Soft Constrant merupakan suatu aturan yang dtetapkan tetap sedapat mungkn harus dpenuh (Burke dan Petrovc, 2002). Adapun fungs ftness yang dgunakan pada peneltan n dtunjukkan pada Persamaan 15. m f(x) = ( k 1 + k k n =1 ) (15) 1+ c 1 1+ c 2 1+ c n Dmana; x adalah partkel yang akan dlakukan perhtungan nla ftness, k adalah konstanta bobot constrant-, c adalah nla beban constrant-, 1,2,, n adalah total constrant, m adalah total perode pada semua ruangan dan semua har dan c merupakan kumpulan dar constrant pada penjadwalan bak hard constrant maupun soft constrant. Berkut adalah daftar hard constrant dan soft constrant pada permasalahan n. Hard Constrant: 1. Tdak ada dosen yang mengajar d waktu yang sama pada har yang sama. Meskpun ruangan yang dgunakan berbeda. 2. Tdak ada kelas yang sama pada waktu yang sama meskpun d ruangan yang berbeda. 3. Tdak ada kelas yang perulangan mata kulah melebh satu yang mana penempatan mata kulahnya berada pada har yang sama. 4. Tdak ada pelajaran yang penempatan ruangannya tdak termasuk dalam kemungknan ruangan yang telah dtentukan. Soft Constrant: 1. Pelajaran akan melanggar tmeoff ruangan apabla pelajaran tersebut menempat ruangan yang berstatus not avalable. 2. Pelajaran akan melanggar tmeoff dosen apabla pelajaran tersebut dletakkan dmana dosen pengajar pelajaran tersebut memlk status not avalable. 3. Pelajaran akan melanggar tmeoff kelas apabla pelajaran tersebut dletakkan pada waktu kelas tersebut not avalable. 3. Pelajaran akan melanggar tmeoff mata kulah apabla pelajaran tersebut dtempatkan dmana mata kulah pada pelajaran tersebut berstatus not avalable Alur HDPSO Berkut adalah alur dar algortme HDPSO dtunjukkan dalam dagram alr Gambar 2. Terpenuh Mula Insalsas Swarm Evaluas Konds Belum Terpenuh Evaluas Swarm Update Konds Solus Optmal = gbest Selesa Gambar 2. Flowchart Metode HDPSO 1. Insalsas Swarm Insalsas swarm dgunakan untuk mengnsalsas seluruh partkel pada swarm dan menem-patkannya secara acak pada swarm space. Strateg pengacakan yang dengan

5 FITNESS Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 253 menempatakan data pelajaran yang memlk SKS tngg terlebh dahulu dkut dengan SKS yang lebh sedkt dengan harapan seluruh pelajaran dapat dtempatkan. Pelajaran juga dtempatkan d ruangan yang memang dapat dtempat oleh pelajaran tersebut. Strateg n dnamakan guded random. 2. Evaluas Konds Evaluas Konds dgunakan untuk mengevaluas apakah konds yang dgunakan telah memenuh krtera atau tdak. Apabla konds tersebut telah memenuh maka proses akan berhent dan menjadkan g best terakhr sebaga solus optmal Sedangkan bla konds yang ddefnskan mash belum memenuh krtera maka akan dlakukan lag proses evaluas swarm. 3. Evaluas Swarm Evaluas swarm merupakan serangkaan prosedur bagamana sebuah swarm dapat devaluas. Bagamana masng-masng partkel akan mengevaluas poss terbak selama n (p best ). Bagamana poss terbak pada swarm (g best ) devaluas. Bagamana masng-masng partkel memperbaru possnya berdasarkan gaya tark yang mempengaruh partkel tersebut. Bagamana poss terbaru dapat dperbak. Bagamana setap partkel mengevaluas ftness terhadap possnya yang terbaru. Adapun rangkaan prosedur yang dlakukan pada saat evaluas swarm yatu a. Update p best. b. Update g best. c. Update Poss. d. Perbakan Poss. e. Perhtungan Ftness. Perbakan poss dlakukan untuk menukar data pelajaran yang mengalam overflow dalam penempatannya maupun pelajaran yang dtempatkan pada ruangan yang bukan pada tempatnya 4. Update Konds Pada proses update konds, konds akan dperbaru berdasarkan konds yang telah ddefnskan. 3. PENGUJIAN 3.1. Parameter Pengujan Pada peneltan n sstem akan dmplementaskan menggunakan bahasa pemrograman java dengan database sqlte. Adapun data yang dgunakan adalah data 5 har aktf perkulahan dengan 38 ruangan yang dgunakan, masng-masng har terdapat 17 perode waktu (tmeslot), 109 dosen, 111 kelas, 70 mata kulah, dan 3 jurusan masng-masng 4 angkatan. Berkut adalah jangkauan parameter HDPSO dtunjukkan pada Tabel 2. Tabel 2. Parameter HDPSO Parameter Jangkauan mn b loc b loc 0.4 b loc [0 1] dengan penngkatan 0.2 mn b glob b glob 0.4 b glob [0 1] dengan penngkatan 0.2 mn b rand b rand b rand [ ] dengan penngkatan Jumlah teras Jumlah Partkel Jumlah percobaan 4 kal 3.2. Pengujan Pengujan yang akan dlakukan melput pengujan parameter, pengujan jumlah teras, jumlah partkel. Pengujan parameter dgunakan untuk mencar komposs parameter b rand, b loc dan b glob yang tepat terhadap ftness yang dhaslkan. Pengujan dtunjukkan pada grafk Gambar 3 dan 4. Pengujan teras dgunakan untuk memlh komposs teras yang tepat, tdak menguras waktu eksekus terlalu lama dan menghaslkan ftness yang maksmal. Pengujan tersebut dtunjukkan pada grafk Gambar 5 dan 6. Pengujan jumlah partkel dgunakan untuk memlh komposs partkel yang tepat dengan memberkan ftness yang terbak tanpa menguras waktu eksekus terlalu lama. Pengujan tersebut dtunjukkan pada grafk Gambar , , , , , , , , , , [ ] [ ] [ ] [ ] BLOC - BGLOB [ ] BRAND = 0 BRAND = BRAND = BRAND = BRAND = BRAND = 0.01 Gambar 3. Pengujan parameter (b rand ) 1 - [ ]

6 FITNESS FITNESS WAKTU (MS) FITNESS Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 254 Berdasarkan grafk yang dtunjukkan pada Gambar 3, ftness yang dhaslkan apabla b rand = 0 rendah dbandng penggunaan lebh dar 0, Hal n dkarenakan peran b rand untuk menjaga keberagaman poss partkel. Ftness terbak dcapa ketka nla b rand = 0,002 dbandng penggunaan lebh dar tu dkarenakan keberagamannya mash mendekat poss dar p best dan g best , , , , , , , , Hal n dkarenakan partkel akan secara sempurna bergerak secara bebas pada awal pencaran dan bergerak secara sempura menuju global optmum d akhr pencaran. Pemlhan yang tdak tepat menyebabkan partkel bergerak menuju satu arah saja sehngga memungknkan terjad konvergens dn. Berdasarkan grafk yang dtunjukkan pada Gambar 5, semakn tngg teras yang dgunakan semakn optmal solus dar dhaslkan oleh sstem dengan dtandanya hasl ftness yang semakn menngkat. Hal n dsebabkan semakn banyaknya teras yang dgunakan membuat partkel bergerak untuk menemukan solus optmal semakn banyak sehngga memungknkan partkel menemukan solus yang optmal ,000 0, 0 0, 2 0, 4 0, 6 0, 8 1, 0 BGLOB BLOC = 0 BLOC = 0.2 BLOC = 0.4 BLOC = 0.6 BLOC = 0.8 BLOC = 1 Gambar 4. Pengujan parameter (b loc dan b glob ) , , , , , , , , , , , , , , , , , ,31 Gambar 6. Waktu Eksekus Pengujan Iteras , , , , , , , , , , , , , , , , , , , , , , JUMLAH PARTIKEL Gambar 5. Pengujan Iteras Gambar 4 data menunjukkan bahwa pemlhan b loc dan b glob terbak ketka bernla Gambar 7. Pengujan Jumlah Partkel Namun semakn banyak teras yang dgunakan berdampak pada waktu eksekus dkarenakan sstem akan melakukan evaluas masng-masng partkel lag dan lag yang mana

7 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 255 memerlukan waktu. Hal n dtunjukkan pada Gambar 6. Penngkatan jumlah teras juga tdak menjamn menngkatkan nla ftness secara sgnfkan. Hal n dtunjukkan pada penngkatan teras dar Berdasarkan analsa tersebut jumlah teras yang dplh yang menghaslkan ftness yang mendekat optmal dan memlk waktu deal adalah Grafk yang dtunjukkan pada Gambar 7 menunjukkan pada permasalahan n penngkatan jumlah partkel tdak mempengaruh nla ftness yang dhaslkan. Tdak menngkatnya nla ftness yang dhaslkan dapat dsebabkan oleh representas partkel maupun evaluas partkel sepert strateg pengacakan dan strateg perbakan yang dgunakan mampu menjelajah seluruh swarm space yang ada, atau dmungknkan swarm space yang ada pada permasalahan n memlk lngkup yang kecl. Berdasarkan analsa tersebut jumlah partkel yang dplh yang menghaslkan ftness yang mendekat optmal dan memlk waktu deal adalah KESIMPULAN Peneltan n telah mengmplementaskan penggunaan HDPSO dalam menyelesakan permasalahan penjadwalan perkulahan. Hasl terbak dcapa oleh sstem dengan ftness sebesar ,76 membutuhkan waktu selama 1 jam 46 ment 14 detk dan 600 mldetk dengan komposs parameter b mn loc = 0,6, b loc = 1, b mn glob = 0,6, b glob = 1, b mn rand = 0,b rand = 0,002, jumlah partkel 2 dan jumlah teras Hasl tersebut mash terdapat beberapa constrant yang mash mengalam konflk. Hal n dkarenakan ketdakmampuan partkel dalam menemukan poss terbak atau representas partkel yang dgunakan tdak mampu menggerakkan partkel dengan bak sehngga sult untuk mencapa konvergens. Usulan dalam peneltan selanjutnya, penelt menyarankan untuk menerapkan tme wndow pada masng-masng objek yang dlakukan penjadwalan, memampatkan hasl penjadwalan, dan menyembangkan komposs mata kulah perharnya. Pada penggunaan metode butuh perbakan pada penggunaan fungs repar. Fungs repar dapat dhbrdas menggunakan Local Search(Chen dan Shh, 2013, Yang dan Jat, 2011) atau Constrant Based Reasonng (Irene et al., 2009). Merumuskan representas partkel baru yang lebh sederhana dan lebh powerful sehngga partkel akan lebh mudah untuk mencapa tngkat konvergens pada global optmum. 5. DAFTAR PUSTAKA A.Wasfy, F.A Solvng the Unversty Class Schedulng Problem Usng Advanced ILP Technques. IEEE. Abdelhalm, M.B. and Habb, S.E.D Partcle Swarm Optmzaton for HWSW Parttonng Burke, E.K. and Petrovc, S Recent research drectons n automated tmetablng. European Journal of Operatonal Research 140(2) Chen, R.-M. and Shh, H.-F Solvng Unversty Course Tmetablng Problems Usng Constrcton Partcle Swarm Optmzaton wth Local Search. Algorthms 6(2) 227. Clerc, M Dscrete Partcle Swarm Optmzaton Illustrated by the Travelng Salesman Problem. Hoffmann, M., Mühlenthaler, M., Helwg, S. and Wank, R Dscrete Partcle Swarm Optmzaton for TSP: Theoretcal Results and Expermental Evaluatons. In A. Bouchacha ed. Adaptve and Intellgent Systems: Second Internatonal Conference, ICAIS 2011, Klagenfurt, Austra, September 6-8, Proceedngs. Berln, Hedelberg, Sprnger Berln Hedelberg. pp Irene, H.S.F., Ders, S. and Hashm, S.Z.M Unversty course tmetable plannng usng hybrd partcle swarm optmzaton. Proceedngs of the frst ACM/SIGEVO Summt on Genetc and Evolutonary Computaton. Shangha, Chna, ACM Jakobov'c, D. and Budn, L Dynamc Schedulng wth Genetc Programmng. Proceedngs of the 9th European Conference on Genetc Programmng Jang, M. et al Study on Parameter Optmzaton for Support Vector Regresson n Solvng the Inverse ECG Problem. Computatonal and Mathematcal Methods n Medcne Kennedy, J. and Eberhart, R Partcle swarm optmzaton. Neural Networks, Proceedngs., IEEE Internatonal

8 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 256 Conference on. Kennedy, J. and Eberhart, R.C A dscrete bnary verson of the partcle swarm algorthm. Kumar, A., Sngh, K. and Sharma, N Automated Tmetable Generator Usng Partcle Swarm Optmzaton. Internatonal Journal on Recent and Innovaton Trends n Computng and Communcaton 1(9) 6. Nelson, A.L., Barlow, G.J. and Dotsds, L Ftness functons n evolutonary robotcs: A survey and analyss. Robotcs and Autonomous Systems 57(4) Ratnaweera, A., Halgamuge, S.K. and Watson, H.C Self-organzng herarchcal partcle swarm optmzer wth tmevaryng acceleraton coeffcents. IEEE Transactons on Evolutonary Computaton 8(3) Sharma, J. and Snghal, R.S Genetc Algorthm and Hybrd Genetc Algorthm for Space Allocaton Problems-A Revew Tang, P. and Lee, G.K An Adaptve Ftness Functon for Evolutonary Algorthms Usng Heurstcs and Predcton World Automaton Congress. Thanh, N.D Solvng Tmetablng Problem Usng Genetc and Heurstc Algorthms. Eghth ACIS Internatonal Conference on Software Engneerng, Artfcal Intellgence, Networkng, and Parallel/Dstrbuted Computng (SNPD 2007). Wall, M.B A Genetc Algorthm for Resource-Constraned Schedulng. Yang, S. and Jat, S.N Genetc Algorthms Wth Guded and Local Search Strateges for Unversty Course Tmetablng. IEEE Transactons on Systems, Man, and Cybernetcs, Part C (Applcatons and Revews) 41(1) LAMPIRAN Gambar 8. Implementas Sstem