BAB I PENDAHULUAN 1.1 Latar Belakang

Ukuran: px

Mulai penontonan dengan halaman:

Download "BAB I PENDAHULUAN 1.1 Latar Belakang"

Verawati Budiono
6 tahun lalu
Tontonan:

digilib.uns.ac.id BAB I PENDAHULUAN 1.1 Latar Belakang Jadwal merupakan daftar atau tabel kegiatan atau rencana kegiatan dengan pembagian waktu pelaksanaan yang terperinci.

1 digilib.uns.ac.id BAB I PENDAHULUAN 1.1 Latar Belakang Jadwal merupakan daftar atau tabel kegiatan atau rencana kegiatan dengan pembagian waktu pelaksanaan yang terperinci. Universitas menggunakan tabel jadwal dalam menjadwalkan kelas, mata kuliah, dan dosen yang ditugaskan dalam suatu waktu dan tempat pelaksanaan yang spesifik untuk digunakan dalam kegiatan perkuliahan nantinya. Proses penjadwalan menjadi kegiatan yang sangat penting bagi universitas, karena dengan penjadwalan yang baik dapat menghasilkan kegiatan belajar mengajar yang baik pula. Pihak universitas dalam menyusun penjadwalan seringkali dihadapi dengan banyaknya jumlah mata kuliah dan kelas yang disertai dengan terbatasnya tenaga mengajar dan ruang perkuliahan yang membuat proses pembentukan jadwal menjadi sangat sulit. Selain itu dalam penjadwalan terdapat berbagai jenis batasan dan aturan yang terlibat. Penjadwalan dengan batasan kaku (hard constraints) dan batasan lunak (soft constraint) merupakan permasalahan yang kompleks yang tergolong NP-Complete yang pada umunya terkait dengan ketergantungan domain atribut dan memerlukan algoritma optimasi tertentu (Arous, 1999). Pada umumnya terdapat tiga jenis teknik yang digunakan dalam menyelesaikan masalah penjadwalan yaitu (Arous, 1999): Teknik enumeratif: dalam ruang pencarian terbatas, algoritma pencarian ini menggunakan sebuah fungsi untuk melihat nilai hasil di setiap titik dan ruang satu persatu. Dengan ruang kemungkinan dari waktu yang terbatas ini, teknik pencarian memiliki kemungkinan gagal. Contoh dari skema enumeratif ini adalah dinamic programing dan algoritma Palgunadi. Tenik random: berdasarkan proses evolusi. Teknik pencarian yang saat ini pupoler, seperti simulated annealing yang menggunakan proses acak untuk membantu bentuk dari pencarian energi minimum. Algoritma genetika adalah contoh prosedur pencarian yang menggunakan pilihan acak sebagai alat untuk memandu pencarian dengan ruang commit cari to user yang luas dan eksploratif melalui

2 digilib.uns.ac.id 2 pengkodean dari ruang parameter. Namun teknik random ini tidak sealu menjamin untuk mencapai solusi yang optimum. Metode berbasis kalkulus: dibagi menjadi dua kelas utama: langsung dan tidak langsung. Metode tidak langsung mencari ekstrem lokal dengan memecahkan set biasanya persamaan non-linear yang dihasilkan dari pengaturan gradien dari fungsi tujuan sama dengan nol. Algoritma Greedy yang berulang diklasifikasikan sebagai metode tidak langsung. Metode langsung mencari optima lokal dengan melompat pada fungsi dan bergerak ke arah yang berkaitan dengan gradien lokal seperti hill-climbing. Penelitian-penelitian terbaru menyarankan bahwa algoritma genetika merupakan metode yang layak dan efektif dalam mengatasi masalah penjadwalan. Algoritma genetika telah membuktikan efesiensinya dalam menyelesaikan masalah Non-Polynomial (Davis, 1991). Algoritma genetika merupakan metode heuristik adaptif yang memiliki dasar pemikiran atau gagasan untuk proses seleksi alam dan genetika berdasarkan penelitian Charles Darwin. Algoritma genetika membentuk sebuat populasi dari set solusi permasalahan berupa kromosom-kromosom yang berkembang biak menjadi populasi baru dengan menggunakan seleksi alam dan operator genetik seperti crossover dan mutation. Sementara Algoritma Palgunadi merupakan algoritma untuk menyelesaikan permasalahan penjadwalan mata kuliah secara general. Algoritma genetika telah diimplementasikan kedalam permasalahan penjadwalan di universitas oleh Ashish Jain, Sanjay R. Sutar, dan Kuldeep Kumar. Ashish Jain dalam penelitiannya Formulation of Genetic Algorithm to Generate Good Quality Course Timetable membuktikan bahwa algoritma genetika merupakan metode yang kuat untuk menyelesaikan masalah penjadwalan, namun pada penelitian ini batasan yang diambil jauh dari kondisi real-world. Sanjay R dalam penelitiannya University Timetabling based on Hard Constraints using Genetic Algorithm menyelesaikan masalah penjadwalan dengan berbasiskan batasan kaku, hasil penelitian ini mengatakan bahwa optimalisasi 100% dari sumber daya yang tersedia tidak feasible dalam kasus apapun. Kuldeep Kumar dalam penelitiannya Genetic Algorithm Approach to Automate commit University to user Timetable mendapatkan bahwa pada

3 digilib.uns.ac.id 3 generasi ke 250 solusi jadwal yang didapatkan masih belum optimal dengan adanya pelanggaran batasan kaku dan batasan lunak yang terjadi. Sedangkan algoritma Palgunadi sampai saat ini belum diimplementasikan seperti di atas. Pada penelitian ini penulis mengusulkan pendekatan baru dengan mengkombinasi algoritma genetika dengan algoritma Palgunadi untuk memperbaiki kelemahan-kelemahan algoritma genetika dan mempercepat proses algoritma genetika untuk menyelesaikan masalah penjadwalan mata kuliah di Universitas Sebelas Maret Surakarta. 1.2 Rumusan Masalah Masalah yang dibahas dalam tugas akhir ini adalah: 1. Bagaimana merancang kombinasi algoritma Palgunadi dengan algoritma genetika untuk memperbaiki kelemahan-kelemahan algoritma genetika dan mempercepat proses algoritma genetika dalam menyelesaikan masalah penjadwalan. 2. Bagaimana membandingkan kinerja dan hasil dari penerapan masingmasing algoritma Palgunadi, algoritma genetika dan kombinasi kedua algoritma tersebut pada penjadwalan mata kuliah di Universitas Sebelas Maret. 1.3 Batasan Masalah Agar penelitian ini dapat mencapai sasaran dan tujuan yang diharapkan, maka permasalahan akan dibatasi sebagai berikut: 1. Mata kuliah, dosen, kelas, dan ruangan yang menjadi sampel data adalah pada penjadwalan dari jurusan informatika dan fisika Universitas Sebelas Maret Surakarta pada semester genap periode februari juli 2013, dengan total 9 kelas mahasiswa, 59 mata kuliah, 107 sesi perkuliahan, 17 ruangan, 5 hari kuliah perminggu, dan 10 jam kuliah perhari. Pemilihan sampel ini dilakukan karena bila diambil data jadwal seluruh jurusan dapat memakan waktu lama dalam pengujiannya. Pengambilan sampel 2 jurusan dianggap

4 digilib.uns.ac.id 4 sudah mewakili hasil penelitian, serta penulis memiliki data-data yang akurat tentang batasan-batasan pada kedua jurusan tersebut. 2. Algoritma yang dipakai adalah algoritma Palgunadi, algoritma genetika, dan kombinasi algoritma algoritma genetika dengan algoritma Palgunadi. 3. Penjadwalan dibatasi oleh batasan kaku (hard constraint) dan batasan lunak (soft constraint) 4. Batasan kaku terdiri atas: - Dalam satu timeslots dan ruangan hanya boleh dijadwalkan satu perkuliahan - Perkuliahan praktek harus dijadwalkan di kelas praktikum, dan perkuliahan teori di kelas teori - Dosen hanya dapat mengajar satu perkuliahan dalam satu timeslots - Kelas hanya dapat mengikuti satu perkuliahan dalam satu timeslots - Matakuliah tidak boleh dijadwalkan melewati jam sholat jum at 5. Batasan lunak terdiri atas: - Matakuliah wajib pada tahun angkatan atas tidak boleh dalam satu timeslots matakuliah praktek tahun angkatan bawahnya, dengan alasan agar mendapatkan asisten praktikum - Matakuliah tidak boleh dijadwalkan melewati jam istirahat - Matakuliah dijadwalkan pada ruangan jurusannya 6. Setting parameter algoritma genetika yang dipakai adalah: - Populasi maksimum: 10; 20 - Generasi yang diganti: 5; 10 - Kromosom elitism: 5 - Kemungkinan terjadi crossover: 0,7 - Kemungkinan terjadi mutasi: 0,3 - Titik mutasi: 5 titik

5 digilib.uns.ac.id Tujuan Penelitian Tujuan yang ingin dicapai dalam tugas akhir ini adalah 1. Dapat merancang kombinasi algoritma genetika dengan algoritma Palgunadi untuk menyelesaikan masalah penjadwalan mata kuliah di Universitas Sebelas Maret. 2. Dapat membandingkan kinerja dan hasil dari penerapan masing-masing algoritma Palgunadi, algoritma genetika dan kombinasi kedua algoritma tersebut pada penjadwalan mata kuliah di Universitas Sebelas Maret. 1.5 Manfaat Penelitian Manfaat penelitian dalam tugas akhir ini adalah: mampu mengkombinasi algoritma genetika dengan algoritma Palgunadi sehingga dapat memperbaiki kinerja algoritma genetika dalam menyelesaikan masalah penjadwalan mata kuliah di Universitas Sebelas Maret. 1.6 Sistematika Penulisan Sistematika penulisan penelitian ini terdiri dari beberapa bab yaitu BAB I PENDAHULUAN, berisi mengenai latar belakang masalah, rumusan masalah, batasan masalah, tujuan, dan sistematika penulisan. BAB II TINJAUAN PUSTAKA, memuat penjelasan tentang teori algoritma palgunadi, algortima genetika, dan penelitian-penelitian terdahulu yang mendukung penelitian yang dilakukan sekarang. BAB III METODE PENELITIAN, berisi tentang metode atau langkah langkah pemecahan masalah yang digunakan dalam penelitian. BAB IV HASIL DAN PEMBAHASAN, Berisi tentang hasil dan pengujian algoritma palgunadi, algoritma genetika, dan kombinasi algoritma genetika dengan algoritma palgunadi. BAB V PENUTUP, berisi tentang kesimpulan tugas akhir dan saransaran sebagai bahan pertimbangan untuk pengembangan penelitian selanjutnya.

dokumen-dokumen yang mirip

ANALISA KOMBINASI ALGORITMA GENETIKA DENGAN ALGORITMA PALGUNADI UNTUK PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET

Analisa Kombinasi Algoritma Genetika dengan (Siswono dan Palgunadi) ANALISA KOMBINASI ALGORITMA GENETIKA DENGAN ALGORITMA PALGUNADI UNTUK PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET Teno Siswono