Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
|
|
- Hartanti Ratna Susman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret 0, hlm. - Optimasi Penjadwalan Asisten Praktikum pada Laboratorium Pembelajaran Menggunakan Algoritme Genetika (Studi Kasus : Fakultas Ilmu Komputer Universitas Brawijaya) Nadia Natasa Tresia Sitorus, Imam Cholissodin, Budi Darma Setiawan Program Studi Teknik Informatika, nadiasitorus0@gmail.com, imamcs@ub.ac.id, s.budidarma@ub.ac.id Abstrak Penjadwalan merupakan hal yang penting untuk disusun secara matang demi berlangsungnya suatu kegiatan dengan baik. Penjadwalan yang baik dan efektif akan membuat kegiatan dapat berjalan dan terorganisir dengan baik. Praktikum merupakan kegiatan rutin yang dilakukan untuk penerapan materi yang telah diterima mahasiswa. Praktikum dapat berlangsung dengan baik jika jadwal mengajar asisten praktikum tidak bertabrakan dengan jadwal kuliah maupun kegiatan lainnya asisten praktikum. Algoritme genetika merupakan salah satu algoritme yang dapat menyelesaikan penjadwalan mengajar asisten praktikum melalui proses komputasi. Data dalam melakukan penelitian adalah data jadwal praktikum, data asisten praktikum dan jadwal kesediaan asisten. Kode asisten praktikum direpresentasikan pada kromosom dengan menggunakan metode permutasi. Urutan gen pada kromosom merepresentasikan kode jadwal praktikum. Metode crossover yang diterapkan adalah one-cut-point, dengan metode mutasi menggunakan reciprocal exchange, serta metode seleksi elitsm. Hasil pengujian mendapatkan nilai parameter algoritme genetika yang optimal yaitu dengan ukuran populasi 000, generasi sebanyak 00, dengan nilai cr dan mr adalah 0, dan 0,. Hasil keluaran sistem merupakan jadwal mengajar asisten praktikum laboratorium pembelajaran. Kata kunci: penjadwalan, algoritme genetika, asisten, praktikum Abstract Scheduling is an important thing to be prepared carefully for the sake of an activity doing well. Good and effective scheduling will make the activities work and be well organized. Practicum is a routine activity for the application of materials that have been accepted by students. Practicum can work well if the teaching schedule of the practicum assistant does not collide with the lecture schedule or their other activities. Genetic algorithm is one of algorithm that can complete the teaching schedule of practicum assistant through computation process. The data in conducting the research is the data from practicum schedule, practicum assistant and the schedule of the assistant's willingness. The code of the practicum assistant is represented on the chromosome using the permutation method. The sequence of genes on the chromosomes represents the code of the practicum schedule. The crossover method applied is one-cut-point, with mutation method using reciprocal exchange, and elitsm selection method. The test result obtained optimal genetic algorithm parameter with total population 000, generation 00, with cr and mr value is 0, and 0,. The output of the system is the teaching schedule of the laboratory teaching assistant. Keywords: scheduling, genetic algorithm, assistant, practicum. PENDAHULUAN Berdasarkan KBBI, penjadwalan merupakan proses mengatur urutan kegiatan dengan waktu yang detail. Penjadwalan merupakan hal yang penting untuk disusun secara matang demi berlangsungnya suatu kegiatan dengan baik. Penjadwalan yang baik dan efektif akan membuat suatu kegiatan dapat berjalan dan terorganisir dengan baik. Ada beberapa aspek penting dan perlu diperhatikan dalam menyusun penjadwalan. Aspek-aspek ini merupakan parameter yang harus diperhatikan dan akan berpengaruh terhadap keberhasilan pelaksanaan kegiatan. Fakultas Ilmu Komputer Universitas Brawijaya
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Salah satu penjadwalan yaitu penjadwalan pendidikan merupakan penjadwalan yang dilaksanakan pada lembaga pendidikan atau universitas (Jha, 0). Pada instansi pendidikan seperti universitas, penjadwalan akan selalu dilakukan setiap semester maupun untuk beberapa kegiatan lainnya. Sebagai contoh pengaturan jadwal mengajar dosen, penjadwalan mata kuliah, penjadwalan praktikum, penjadwalan dilaksanakannya ujian, maupun penjadwalan pengawas ujian, dan lain sebagainya. Praktikum merupakan kegiatan rutin yang dilakukan untuk penerapan materi yang telah diterima mahasiswa. Praktikum dapat berlangsung dengan baik jika jadwal mengajar asisten praktikum tidak bertabrakan dengan jadwal kuliah maupun kegiatan lainnya asisten praktikum. Agar kegiatan dapat berjalan secara optimal, maka diperlukan penjadwalan yang efektif untuk setiap sumber daya manusia (Eradipa, Rahman, dan Tantrika 0). Dalam hal ini, sumber daya manusianya adalah asisten praktikum. Pada laboratorium pembelajaran FILKOM UB, penjadwalan mengajar asisten praktikum disusun berdasarkan jadwal praktikum yang telah ditentukan oleh akademik dengan mempertimbangkan jadwal kegiatan lain asisten secara manual. Proses penjadwalan secara manual terkadang menyebabkan adanya jadwal kegiatan yang saling bertabrakan. Sehingga asisten tidak dapat melakukan kegiatan mengajar dengan maksimal. Ada beberapa algoritme yang dapat digunakan dalam penyelesaian masalah penjadwalan. Salah satunya adalah penelitian oleh Wahyuningsih (0) yang menggunakan algoritme max min ant system untuk menyusun penjadwalan akademik. Pada penelitian tersebut penulis berfokus untuk menghindari terjadinya bentrokan jadwal dan tempat yang sama pada proses belajar mengajar. Selain itu, algoritme lain yang sering diterapkan untuk menyelesaikan masalah penjadwalan antara lain, simulated annealing, vertex graph coloring, dan algoritme genetika (Zulfa, 0). Algoritme yang paling sering diterapkan dalam permasalahan penjadwalan adalah algoritme genetika. Oleh karena itu, penulis menggunakan algoritme genetika untuk menyelesaikan permasalahan penjadwalan asisten praktikum. Pada skripsi ini, penjadwalan disusun berdasarkan jadwal praktikum yang telah ditentukan fakultas dan jadwal pribadi tiap asisten. Penelitian ini menggunakan algoritme genetika karena dapat diterapkan dalam masalah-masalah yang kompleks dalam berbagai bidang (Mahmudy, 0). Algoritme genetika diterapkan berdasarkan ilmu genetika, sehingga menggunakan banyak istilah-istilah genetika. Algoritme genetika dapat mengerjakan permasalahan secara menyeluruh dengan hasil yang seoptimal mungkin (Fachrurrazi, 0). Tujuan dari penelitian ini adalah untuk merancang dan mengimplementasikan algoritme genetika untuk menetukan jadwal mengajar asisten praktikum serta mengetahui kualitas solusi yang dihasilkan dengan menerapkan algoritme genetika terhadap penjadwalan asisten praktikum. Melalui penelitian ini diharapkan dapat meningkatkan keefektifitasan dan keefisienan penyusunan jadwal mengajar asisten praktikum.. TINJAUAN PUSTAKA.. Penjadwalan Penjadwalan menurut Husen (00) yakni, mengalokasikan waktu yang tersedia untuk melakukan setiap pekerjaan untuk menyelesaikan suatu kegiatan sehingga tercapai solusi yang optimal berdasakan batasan-batasan yang ada (dalam Devi, 0). Penjadwalan meliputi alokasi sarana kegiatan dan mengenai hal yang diramalkan dalam waktu suatu kegiatan (Rifai dalam Zulfa, 0). Penjadwalan yang baik seharusnya memiliki aturan-aturan penjadwalan yang cukup kuat dan memiliki tujuan yang realistis. Sehingga dapat fleksibel untuk memecahkan masalah yang tidak diprediksi sebelumnya dan memperbolehkan adanya suatu perencanaan ulang. Menurut Narasimhan dkk. (), suatu penjadwalan dapat dikategorikan baik jika jadwal yang dihasilkan sederhana, mudah dimengerti dan dapat dilaksanakan oleh siapa pun yang menggunakannya... Penjadwalan Asisten Penjadwalan asisten praktikum mencakup masalah penempatan asisten pada tiap periode waktu mengajar. Penempatan atau pengalokasian asisten ini dijadwalkan berdasarkan jadwal asisten dan jadwal pelaksanaan praktikum sesuai dengan jadwal yang diberikan akademik dengan beberapa ketentuan yang disepakati antar asisten maupun dengan dosen pengampu mata kuliah.
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 0 Batasan-batasan atau constraint pada penjadwalan digunakan sebagai tolak ukur kualitas jadwal yang dihasilkan, sehingga dapat memberikan jadwal yang optimal (Zaini dalam Zulfa, 0). Jenis constraint ini yakni, hard constraint dan soft constraint.. Hard constraint merupakan batasan yang wajib dilakukan dalam penjadwalan. Jika batasan ini dilanggar, maka jadwal tidak layak untuk diimplementasikan (Qoiriah dalam Seisarrina, 0).. Soft constraint merupakan batasan maupun ketentuan yang tidak wajib dilakukan atau boleh dilanggar. Akan tetapi untuk mencapai kualitas jadwal yang lebih maksimal, maka diharapkan untuk meminimalkan pelanggaran terhadap batasan ini (Perzina dan Remik, 0)... Algoritme Genetika Algoritme genetika merupakan algoritme yang sangat populer serta sering digunakan untuk menyelesaikan masalah yang kompleks (Mahmudy dalam Zulfa, 0).... Proses Algoritme Genetika Pada algoritme genetika terdapat beberapa tahapan untuk mencari solusi terbaik sebagai berikut ini (Mahmudy, 0).. Inisialisasi Pada tahap ini dilakukan pembangkitan populasi awal secara random... Reproduksi Tahapan ini bertujuan untuk membentuk individu baru dengan menggunakan operator crossover dan mutasi.. Evaluasi Tahap ini digunakan untuk menghitung nilai fitness tiap-tiap kromosom... Seleksi Tahap ini dilakukan untuk memilih individu yang layak untuk dipertahankan ke generasi berikutnya.... Fungsi Fitness Fitness pada algoritme genetika, digunakan untuk menentukan sifat reproduksi pada individu dan bertindak sebagai tolak ukur suatu individu semakin baik (Jha, 0). Jika nilai fitness kromosom semakin besar, maka semakin besar peluang kromosom tersebut terpilih sebagai solusi (Mahmudy, 0). Pada penelitian ini, nilai fitness dihitung berdasarkan nilai penalti yang diberikan pada tiap planggaran constraint. Rumus menghitung nilai fitness ditunjukkan pada Persamaan ((). Fitness = k + Σ i= w i. n i () Keterangan: k = jumlah constraint i = indeks constraint w i = bobot nilai penalti pada constraint ke-i n i = jumlah penalti pada tiap costraint yang dilanggar. PERANCANGAN Diagram alir pada sistem dalam penelitian ini ditunjukkan pada Gambar. Mulai Generasi, popsize, cr, mr, data jadwal praktikum, data asisten, data kesediaan asisten Inisialisasi Kromosom For i=0 to generasi- Reproduksi Evaluasi Fitness Seleksi i Solusi terbaik Selesai Gambar Diagram Alir Sistem Penjadwalan Asisten Praktikum.. Formulasi Permasalahan Penelitian ini dilakukan untuk mencoba menyelesaikan permasalahan penjadwalan asisten praktikum Laboratorium Pembelajaran pada FILKOM UB. Perhitungan manual menggunakan sampel berupa data jadwal praktikum kelompok mata kuliah dengan total sebanyak jadwal. Masing-masing kelompok mata kuliah terdiri dari dan jadwal. Banyak jadwal akan merepresentasikan panjang kromosom yang diinisialisasikan dengan nilai bilangan berupa kode asisten. Parameter yang digunakan dalam perhitungan manual sebagai berikut yaitu, jumlah generasi sebanyak generasi, populasi, dengan cr dan mr 0, dan 0,. Pada Tabel ditunjukkan beberapa aturan penjadwalan asisten praktikum Laboratorium
4 Mata Kuliah Sistem Digital Kelompok Mata Kuliah Sistem Informasi Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Pembelajaran Fakultas Ilmu Komputer Universitas Brawijaya. Tabel Aturan dan Bobot Penalti Penjadwalan Asisten Praktikum Laboratorium Pembelajaran Fakultas Ilmu Komputer No.... Constraint Jadwal mengajar asisten tidak bentrok dengan jadwal kegiatan lain dan sesuai dengan jadwal kesediaan asisten. Setiap asisten minimal mengampu kelas pratikum. Pemerataan jadwal mengajar disesuaikan dengan banyak kelas yang diampu dan jumlah asisten yang bersedia... Inisialisasi Kromosom Bobot Penalti 0,00 0,00 0,00 Kromosom direpresentasikan seperti pada Gambar. Urutan gen menunjukkan kode jadwal kelas praktikum yang diampu asisten. Gambar Representasi Kromosom Tabel menunjukkan individu awal pada perhitungan manual. Gen ke-i 0 Tabel Individu Awal P P P P P Crossover Pada proses crossover, offspring yang dihasilkan sejumlah hasil perkalian nilai popsize dengan crossover rate. Offspring= x 0, =,. Tabel Parent pada Proses Crossover Gen ke-i 0 P P Tabel menunjukkan hasil dari proses crossover dengan metode one cut point. Tabel Offspring pada Proses Crossover Gen ke-i 0 C C Cut Point Cut Point
5 Mata Kuliah Sistem Digital Kelompok Mata Kuliah Sistem Informasi Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer.. Mutasi Pada proses mutasi offspring yang dihasilkan sejumlah hasil nilai popsize dengan mutation rate. Offspring= x 0, =. Tabel Parent pada Proses Mutasi Gen ke-i 0 P Tabel menunjukkan hasil dari proses mutasi dengan reciprocal exchange mutation method. Tabel Offspring pada Proses Mutasi Gen ke-i 0.. Evaluasi Fitness P Titik Tukar Titik Tukar Titik Tukar Titik Tukar Pada proses evaluasi fitness, dilakukan pemeriksaan pelanggaran aturan dari asingmasing individu dan memberikan nilai penalti sesuai dengan bobot penalti yang telah dijelaskan pada Tabel. Tahap Cek Constraint Bagian yang diarsir merupakan bagian asisten yang jadwal mengajar dengan jadwal kesediaannya terjadi bentrok. Tabel Hasil Cek Constraint pada Individu Gen ke-i 0 P Tahap Cek Constraint Bagian yang diarsir merupakan asisten yang melakukan pelanggaran pada constraint yaitu asisten yang tidak mendapatkan jadwal mengajar atau tidak mengampu kelas praktikum sama sekali. Tabel Hasil Cek Constraint pada Child Jumlah Kode Kelas Asisten Diampu Tahap Cek Constraint Angka ini menunjukkan banyak kelas yang diampu oleh asisten berdasarkan kemunculannya dalam individu.
6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Bagian yang diarsir merupakan asisten yang melakukan pelanggaran pada constraint yaitu asisten yang tidak memenuhi pemerataan pembagian jadwal mengajar. Pada praktikum kelompok mata kuliah Sistem Informasi, masing-masing asisten harus mendapatkan kelas untuk diampu dan pada praktikum mata kuliah Sistem Digital, masing-masing asisten harus mendapatkan kelas untuk diampu, Tabel Hasil Cek Constraint pada Child Jumlah Kode Kelas Asisten Diampu Tahap Perhitungan Fitness Setelah melakukan pengecekan constraint, maka dilakukan perhitungan fitness masing-masing individu dengan menggunakan Persamaan (). Berikut merupakan contoh perhitungan fitness pada pada individu. Fitness = + ((0,00) + 0(0,00) + 0(0,00)) Fitness = + 0,0 Fitness = 0,.. Seleksi Pada proses seleksi digunakan metode seleksi elitsm, dengan menggabungkan populasi awal dengan offspring. Lalu, mengurutkan nilai fitness-nya dari yang terbesar hingga yang terkecil. Kemudian, memilih sebanyak popsize untuk diloloskan untuk diproses pada generasi berikutnya. Tabel 0 Hasil Seleksi Individu Nilai Fitness Rank Individu 0.0 Individu 0. Child 0. Individu 0. Individu 0.0 Child 0.0 Individu Child IMPLEMENTASI Sistem mengimplementasikan dengan bagian halaman yaitu bagian untuk menampilkan data jadwal praktikum, untuk menampilkan data asisten praktikum, bagian untuk menampilkan proses algoritma genetika, dan untuk menampilkan jadwal hasil sistem... Antarmuka Halaman Data Jadwal Implementasi halaman load data jadwal praktikum bertujuan untuk menampilkan data jadwal praktikum semester ganjil T.A. 0/0. Gambar Halaman Data Jadwal.. Antarmuka Halaman Data Asisten Implementasi halaman load data asistem praktikum bertujuan untuk menampilkan data asisten praktikum semester ganjil T.A. 0/0.
7 Rata-rata fitness Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Gambar Halaman Hasil Jadwal Mengajar Asisten Gambar Halaman Data Asisten.. Antarmuka Halaman Proses Algoritme Genetika Implementasi halaman proses algoritme genetika bertujuan untuk menampilkan generasi dan nilai fitness terbaik dari proses dan memasukkan parameter algoritme genetika.. PENGUJIAN DAN ANALISIS.. Pengujian Ukuran Populasi Pada pengujian ukuran populasi digunakan ukuran populasi 00 sampai 000 dengan kelipatan 00 sebanyak 0 generasi dengan nilai cr dan mr yaitu 0, dan 0,. 0, 0, 0, 0, 0,0 0, 0, 0, 0, Populasi Gambar Halaman Proses Algoritme Genetika.. Antarmuka Halaman Hasil Jadwal Mengajar Asisten Implementasi halaman hasil bertujuan untuk menampilkan jadwal yang merupakan solusi terbaik dari proses algoritme genetika. Gambar Pengujian Ukuran Populasi Berdasarkan Gambar ditunjukkan peningkatan yang signifikan dari populasi 00 hingga 00. Akan tetapi, terjadi penurunan rata-rata nilai fitness pada generasi 000. Pada generasi 000 hingga 000 rata-rata nilai fitness yang dihasilkan mulai stabil. Peningkatan ratarata nilai fitness terjadi dengan ukuran populasi yang semakin besar pula. Hal ini disebabkan karena semakin besar ukuran populasi maka semakin banyak variasi gen yang dihasilkan, sehingga memungkinan untuk mendapatkan nilai fitness baru yang lebih baik... Pengujian Jumlah Generasi Pada pengujian jumlah generasi digunakan kelipatan 0 sampai 00 generasi dengan ukuran populasi 000, dan nilai cr dan mr bernilai 0,
8 Rata-rata fitness Rata-rata fitness Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer dan 0,.,00,000 0,00 0,00 0,00 0,00 0,000 Generasi terus terjadi, namun tidak lebih besar dari ratarata nilai fitness pada kombinasi nilai cr= 0, dan mr= 0,. Hal ini membuktikan bahwa jika nilai crossover rate terlalu rendah, maka akan level eksplorasi meningkat dan menghasilkan generasi yang tidak dapat belajar dari generasi sebelumnya dengan efektif (Mahmudy, 0). Hasil pengujian ini juga membuktikan bahwa penurunan nilai mr dapat meningkatkan kinerja algoritma genetika dalam mengeksploitasi pencarian lokal untuk mendapatkan nilai fitness yang lebih baik. Gambar Pengujian Jumlah Generasi Berdasarkan Gambar dapat dilihat bahwa terjadi peningkatan rata-rata nilai fitness yang signifikan dari generasi 0 hingga 0. Sementara itu peningkatan rata-rata nilai fitness setelah generasi 0 sudah konvergen dan stabil. Nilai popsize terbaik didapatkan pada generasi 00 dengan nilai fitness sebesar 0.. Sehingga dapat disimpulkan semakin banyak generasi maka semakin baik rata-rata nilai fitness yang dihasilkan. Hal ini karena meningkatnya kemungkinan untuk mendapatkan nilai fitness yang lebih optimum pada generasi berikutnya... Pengujian Nilai Cr dan Mr Pengujian nilai cr dan mr dilakukan untuk mendapatkan nilai cr dan mr yang menghasilkan solusi teroptimal. Penelitian ini menggunakan pengujian nilai cr dan mr dengan rentang nilai 0, sampai 0,. Parameter populasi dan generasi yang digunakan diambil dari hasil terbaik pengujian ukuran populasi dan jumlah generasi sebanyak 000 dan 00 generasi.,000 0,0 0,00 0,0 0,00 0,0 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, Mr dan Cr Gambar Pengujian Nilai Cr dan Mr Berdasarkan Gambar, terjadi peningkatan rata-rata nilai fitness yang signifikan pada pengujian dengan menggunakan cr=0, dan mr=0, hingga nilai cr=0, dan mr=0,. Peningkatan dan penurunan rata-rata nilai fitness.. Analisi Global Pengujian Sistem penjadwalan asisten praktikum menggunakan algoritme genetika dengan parameter optimal hasil pengujian yakni sebanyak 000 populasi, 00 iterasi, cr bernilai 0, dan mr bernilai 0, menghasilkan nilai fitness sebesar 0, 0,. Jadwal yang dihasilkan sistem sudah mendekati optimum, akan tetapi terdapat beberapa pelanggaran terhadap aturan penjadwalan. Namun jadwal yang dihasilkan sistem dapat diterapkan karena tidak terjadinya pelanggaran terhadap aturan yang paling penting, aturan nomer dimana tidak terjadinya bentrok kegiatan pribadi asisten dengan kegiatan mengajar. Tabel menunjukkan detail pelanggaran aturan penjadwalan dari jadwal yang dihasilkan oleh sistem. Tabel Detail Pelanggaran Aturan pada Hasil Sistem No. Aturan Penjadwalan Asisten Praktikum Jumlah Pelanggaran Jadwal mengajar asisten tidak bentrok dengan jadwal kegiatan lain dan 0 sesuai dengan jadwal kesediaan asisten. Setiap asisten minimal mengampu kelas pratikum pada kelompok mata kuliah asisten tersebut. Pemerataan jadwal mengajar disesuaikan dengan banyak kelas yang diampu dan jumlah asisten yang bersedia. Total Pelanggaran Nilai Fitness 0, Berdasarkan jadwal manual dari mata kuliah yang dibuat secara manual, terjadi beberapa pelanggaran, yakni pada aturan dan. Jadwal yang dibuat secara manual memiliki
9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer nilai fitness sebesar 0,. Pelanggaran penjadwalan asisten praktikum manual pada kelompok mata kuliah secara detail ditunjukkan pada Tabel. Tabel Detail Pelanggaran Aturan pada Jadwal Manual No. Aturan Penjadwalan Asisten Praktikum Jumlah Pelanggaran Jadwal mengajar asisten tidak bentrok dengan jadwal kegiatan lain dan sesuai dengan jadwal kesediaan asisten. Setiap asisten minimal mengampu kelas pratikum pada kelompok 0 mata kuliah asisten tersebut. Pemerataan jadwal mengajar disesuaikan dengan banyak kelas yang diampu dan jumlah asisten yang bersedia. Total Pelanggaran Nilai Fitness 0, Ditinjau dari nilai fitness yang dihasilkan, maka jadwal manual dan hasil sistem memiliki nilai fitness yang sama-sama mendekati optimum. Akan tetapi, jika ditinjau dari waktu yang dibutuhkan untuk menyusun jadwal maka penjadwalan dengan sistem membutuhkan waktu lebih singkat yakni ± 0 sampai 0 menit. Sementara penjadwalan manual membutuhkan waktu sekitar - hari. Kesulitan mendapatkan nilai fitness yang optimum disebabkan oleh hal-hal berikut ini. Pertama, data yang dijadwalkan tergolong besar yakni slot jadwal dengan asisten dalam 0 mata kuliah. Kedua, nilai kromosom awal yang dibangkitkan bernilai acak yang tidak menjamin semua individu memiliki susunan kromosom yang baik.. KESIMPULAN Beberapa kesimpulan yang didapatkan dari pengujian dan analisis pada sistem penjadwalan asisten praktikum laboratorim pembelajaran menggunakan algoritme genetika adalah sebagai berikut.. Algoritme genetika dapat diterapkan pada penjadwalan asisten praktikum laboratorium pembelajaran. Implementasi algoritme genetika melalui tahap inisialisasi kromosom, reproduksi, evaluasi dan seleksi. Representasi kromosom yang diterapkan yakni dengan merempresentasikan kode asisten pada tiap slot jadwal praktikum. Solusi yang memiliki nilai fitness tertinggi merupakan solusi yang optimal dengan jumlah pelanggaran aturan penjadwalan yang paling sedikit.. Berdasarkan pengujian parameter algoritme genetika yang telah dilakukan maka diperoleh parameter terbaik adalah sebanyak 000 populasi, 00 generasi, nilai cr= 0, dan mr= 0,. Jadwal yang dihasilkan sistem sudah mendekati optimum, karena masih terjadi beberapa pelanggaran terhadap aturan penjadwalan.. DAFTAR PUSTAKA Devi, Okky C., 0. Penerapan Algoritma Genetika Untuk Penjadwalan Asisten Praktikum. S. Universitas Brawijaya. Eradipa, A.Y., Rahman, Arif, Tantrika, C.F.M., 0. Penjadwalan Tenaga Kerja dengan Menggunakan Metode Goal Programming. Jurnal Rekayasa dan Manajemen Sistem Industri, Malang. Universitas Brawijaya. (). pp. -. Fachrurrazi, Sayed, 0. Penerapan Algoritma Genetika Dalam Optimasi Pendistribusian Pupuk Di PT Pupuk Iskandar Muda Aceh Utara. JT-FTI, Aceh. Universitas Malikussaleh Reuleut. (). pp. -. Jha, S. K., 0. Exam Timetabling Problem Using Genetic Algorithm. IJRET : International Journal of Research in Engineering and Technology, 0(0), pp. -. Mahmudy, W. F., 0. Dasar-Dasar Algoritma Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya. Mahmudy, W. F., Marian, R. M. & Luong, L. H. S., 0. Solving Part Type Selection and Loading Problem Flexible Manufacturing System Using Real Code Genetic Algorithms - Part I : Modeling. World Academy of Science, Engineering and Technology, Volume, pp. -. Narasimhan, S.L., McLeavey, D.W., Billington, P.J.,. Production Planning and Inventory Control, ed. New Jersey: Prentice- Hall International, Inc.
10 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Perzina, R. & Ramik, J., 0. Self-Learning Genetic Algorithm for a Timetabling Problem with Fuzzy Constraints. International Journal of Innovative Computing, Information and Control, (), pp. -. Rifai, Ulisna A. 0. Pengembangan Aplikasi Penjadwalan Kegiatan dengan Menggunakan Algoritma Genetika (Studi Kasus: Humas Kementrian Agama RI). Skripsi Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah. Jakarta. Seisarinna, Maulidya L., 0. Penjadwalan Pengawas Ujian Semester Menggunakan Algoritma Genetika (Studi Kasus: Fakultas Ilmu Komputer Universitas Brawijaya). S. Universitas Brawijaya.. Suyanto, 0. Artificial Intelegence Searching, Reasoning, Planning, dan Learning. nd ed. Bandung: Informatika Bandung. Wahyuningsih, Delpiah, 0. Rancangan Sistem Penjadwalan Akademik Menggunakan Algoritma Max Min Ant System. JEPIN, Pangkalpinang. STMIK Atma Luhur Pangkalpinang. (). pp. -. Zulfa, Indana, 0. Optimasi Jadwal Mengajar Asisten Laboratorium Menggunakan Algoritma Genetika. S. Universitas Brawijaya.
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA Indana Zulfa 1, Wayan Firdaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
Lebih terperinciPenerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum
Penerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum Okky Cintia Devi 1, Wayan Fidaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1535-1542 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013
Lebih terperinciPENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 48-55 PENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA Ria Febriyana 1, Wayan Firdaus Mahmudy 2 Program
Lebih terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN PERMINTAAN BARANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 3, September 2016, hlm. 169-173 PENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto)
Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto) Dianita Dwi Permata Sari 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 3 Teknik Informatika,
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme Genetika (Studi Kasus: SMK Negeri 2 Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 10, Oktober 2017, hlm. 1066-1072 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 01, July 2015, Pages 06-11 JEEST http://jeest.ub.ac.id PENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB Samaher
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciPenentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 63-68 http://j-ptiik.ub.ac.id Penentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Lebih terperinciOPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA andra Aditya 1), Wayan Firdaus Mahmudy 2) 1) Program Studi Teknik Informatika, Fakultas Ilmu Komputer Malang Jl. Veteran, Malang 65145, Indonesia
Lebih terperinciOptimasi distribusi barang dengan algoritma genetika
Optimasi distribusi barang dengan algoritma genetika Yasmin Ghassani Panharesi 1, Wayan Firdaus Mahmudy 2 Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email : yasminghassani@gmail.com 1,
Lebih terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
Lebih terperinciPenerapan Algoritme Genetika Untuk Penjadwalan Latihan Reguler Pemain Brass Marching Band (Studi Kasus: Ekalavya Suara Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2950-2956 http://j-ptiik.ub.ac.id Penerapan Algoritme Genetika Untuk Penjadwalan Latihan
Lebih terperinciBAB I PENDAHULUAN. sejumlah aktivitas kuliah dan batasan mata kuliah ke dalam slot ruang dan waktu
18 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penjadwalan merupakan kegiatan administrasi utama di berbagai institusi. Masalah penjadwalan merupakan masalah penugasan sejumlah kegiatan dalam periode
Lebih terperinciPerancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali) I Made Budi Adnyana
Lebih terperinciOptimasi Multiple Travelling Salesman Problem Pada Pendistribusian Air Minum Menggunakan Algoritme Genetika (Studi Kasus: UD.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 849-858 http://j-ptiik.ub.ac.id Optimasi Multiple Travelling Salesman Problem Pada Pendistribusian
Lebih terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih terperinciOptimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret, hlm. - http://j-ptiik.ub.ac.id Optimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika Ardiansyah
Lebih terperinciOptimasi Penjadwalan Kuliah Pengganti Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol 2, No 9, September 218, hlm 2829-284 http://j-ptiikubacid Optimasi Penjadwalan Kuliah Pengganti Menggunakan Algoritme Genetika
Lebih terperinciOptimasi Penjadwalan Damping Mahasiswa Difabel Menggunakan Algoritma Genetika (Studi Kasus PSLD Universitas Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 774-782 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Damping Mahasiswa Difabel Menggunakan Algoritma
Lebih terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) A-127 Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS Wiga Ayu Puspaningrum, Arif Djunaidy, dan Retno
Lebih terperinciOptimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika (Studi Kasus: SMA Negeri 1 Turatea)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, Juli 2018, hlm. 1768-1777 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciPenentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan Metode AHP dan Algoritma Genetika (Studi Kasus : PT. Telkom Witel Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1742-1749 http://j-ptiik.ub.ac.id Penentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan
Lebih terperinciImplementasi Algoritma Genetika Untuk Penjadwalan Customer Service (Studi Kasus: Biro Perjalanan Kangoroo)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol., No. 6, Juni 207, hlm. 456-465 http://j-ptiik.ub.ac.id Implementasi Algoritma Genetika Untuk Penjadwalan Customer Service
Lebih terperinciPENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA)
Penjadwalan Ujian Akhir Semester dengan Algoritma Genetika PENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA) Anita Qoiriah Jurusan Teknik Informatika,
Lebih terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem dengan menggunakan Real Coded Genetic Algorithm
Penyelesaian Penjadwalan Flexible Job Shop Problem dengan menggunakan Real Coded Genetic Algorithm M. C. C. Utomo 1, Wayan Firdaus Mahmudy 2, Marji Program Teknologi Informasi dan Ilmu Komputer, Universitas
Lebih terperinciSISTEM PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS TADULAKO)
JIMT Vol. 14 No. 2 Desember 2017 (Hal 242-255) ISSN : 2450 766X SISTEM PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI KASUS PADA JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS TADULAKO)
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinciOPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA Rifqy Rosyidah Ilmi 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 2 1 Mahasiswa, 2 Dosen Pembimbing Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
Lebih terperinciPrediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, April 2017, hlm. 341-351 http://j-ptiik.ub.ac.id Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan
Lebih terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan Real Coded Genetic Algorithm
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm 57-62 http://j-ptiik.ub.ac.id Penyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciSatrio Agung Wicaksono 1, R. Arief Setiyawan 1, Budi Darma Setiyawan 1, Ari Hernawan 1, Rizal Setya Perdana 1
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 1, No. 2, Oktober 214 hlm. 78-82 PENJADWALAN PERKULIAHAN DENGAN PENDEKATAN EVOLUTIONARY ALGORITHM (STUDI KASUS: SISTEM INFORMASI AKADEMIK (SIAKAD)
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciPEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA
PEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA Ida Wahyuni 1, Wayan Firdaus Mahmudy 2 1,2 Program Studi Magister Ilmu Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Jl.
Lebih terperinciPEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 59-65 PEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG Vitara
Lebih terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan
Lebih terperinciPencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika
Pencarian Rute Terpendek untuk Pengoptimalan Ditribusi Sales Rokok Gudang Garam di kecamatan Wuluhan Kabupaten Jember Menggunakan Algoritma Genetika Priza Pandunata, Rachmad Agung Bagaskoro, Agung Ilham
Lebih terperinciArif Munandar 1, Achmad Lukman 2 1 Teknik Informatika STMIK El Rahma Yogyakarta, Teknik Informatika STMIK El Rahma Yogyakarta
PENJADWALAN MATAKULIAH DENGAN ALGORITMA GENETIKA MENGGUNAKAN FRAMEWORK CODEIGNITER (STUDI KAUS PROGRAM STUDI S PENDIDIKAN AGAMA ISLAM UNIVERSITAS ALMA ATA YOGYAKARTA) Arif Munandar, Achmad Lukman 2 Teknik
Lebih terperinciOptimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1874-1882 http://j-ptiik.ub.ac.id Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme
Lebih terperinciPenjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut
BAB I PENDAHULUAN A. Latar Belakang Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut terlaksana dengan optimal.
Lebih terperinciOPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOWS PADA DISTRIBUSI KATERING MENGGUNAKAN ALGORITMA GENETIKA
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 OPTIMASI VEHICLE ROUTING PROBLEM WITH TIME WINDOWS PADA DISTRIBUSI KATERING MENGGUNAKAN ALGORITMA GENETIKA Dwi Cahya Astriya Nugraha 1), Wayan
Lebih terperinciOptimasi K-Means untuk Clustering Kinerja Akademik Dosen Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1652-1659 http://j-ptiik.ub.ac.id Optimasi K-Means untuk Clustering Kinerja Akademik Dosen
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
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
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN
IMPLEMENTASI ALGORITMA GENETIKA PADA PENJADWALAN PERKULIAHAN Uning Lestari 2, Naniek Widyastuti 3, Desti Arghina Listyaningrum 1 1,2,3 Teknik Informatika, Fakultas Teknologi Industri, IST AKPRIND Yogyakarta
Lebih terperinciImplementasi Genetic Algorithm Dan Artificial Neural Network Untuk Deteksi Dini Jenis Attention Deficit Hyperactivity Disorder
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 2, Februari 2018, hlm. 688-694 http://j-ptiik.ub.ac.id Implementasi Genetic Algorithm Dan Artificial Neural Network
Lebih terperinciM. Ainul Yaqin 1,Totok Lisbiantoro 2, Jurusan Teknik Informatika, Fakultas Sains dan Teknologi Universitas Islam Negeri Maulana Malik Ibrahim Malang
OPTIMASI PENJADWALAN PERKULIAHAN JURUSAN TEKNIK INFORMATIKA UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI RANK M. Ainul Yaqin 1,Totok Lisbiantoro
Lebih terperinciPERANCANGAN APLIKASI SISTEM PENJADWALAN LABORATORIUM FISIKA DASAR DI UNIVERSITAS GUNADARMA
PERANCANGAN APLIKASI SISTEM PENJADWALAN LABORATORIUM FISIKA DASAR DI UNIVERSITAS GUNADARMA Sabila Nadhirah 1 Febriani 2 1,2Teknik Informatika, Universitas Gundarma 1,2{sabila, febriani }@staff.gunadarma.ac.id
Lebih terperinciImplementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 2, (2017) 28 Implementasi Sistem Penjadwalan Akademik Fakultas Teknik Universitas Tanjungpura Menggunakan Metode Algoritma Genetika Andreas Christian
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM
ANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM Sean Coonery Sumarta* 1 1 Program Studi Teknik Informatika, Universitas Atma Jaya Makassar,
Lebih terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciGenerator Jadwal Perkuliahan Menggunakan Algoritma Genetika
Generator Jadwal Perkuliahan Menggunakan Algoritma Genetika Zainal Akbar 1), Muh. Fajri Raharjo 2), Eddy Tungadi 3) CAIR, Politeknik Negeri Ujung Pandang Jl. Perintis Kemerdekaan km. 10, Tamalanrea Makassar,
Lebih terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciPENERAPAN METODE ALGORITMA GENETIKA UNTUK PERMASALAHAN PENJADWALAN PERAWAT (Nurse Schedulling Problem)
INFO TEKNIK Volume 16 No. 1 Juli 2015 (61-74) PENERAPAN METODE ALGORITMA GENETIKA UNTUK PERMASALAHAN PENJADWALAN PERAWAT (Nurse Schedulling Problem) Nadiya Hijriana Program Studi Teknik Informatika Universitas
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Metode Hybrid Algoritma Genetika Dan Algoritma Koloni Semut
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3711 OPEN ACCESS ISSN XXXX-XXXX IND. SYMPOSIUM ON COMPUTING VOL. XX, NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC Penjadwalan
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciTAKARIR. algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah. kesalahan program
TAKARIR advanced tingkat lanjut algorithm algoritma/ kumpulan perintah untuk menyelesaikan suatu masalah alleles nilai suatu gen. bug kesalahan program chromosome kromosom crossover penyilangan kromosom
Lebih terperinciPenerapan Evolution Strategies untuk Optimasi Travelling Salesman Problem With Time Windows pada Sistem Rekomendasi Wisata Malang Raya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 7, Juli 2018, hlm. 2487-2493 http://j-ptiik.ub.ac.id Penerapan Evolution Strategies untuk Optimasi Travelling Salesman
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciPENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA
PENGEMBANGAN APLIKASI PENJADWALAN KULIAH SEMESTER I MENGGUNAKAN ALGORITMA GENETIKA Bagus Priambodo Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Mercu Buana e- mail : bagus.priambodo@mercubuana.ac.id
Lebih terperinciRANCANG BANGUN PERANGKAT LUNAK PENJADWALAN PERKULIAHAN MENGGUNAKAN METODE META- HEURISTIK (PENGGABUNGAN METODE ALGORITMA GENETIK DAN TABU SEARCH)
RANCANG BANGUN PERANGKAT LUNAK PENJADWALAN PERKULIAHAN MENGGUNAKAN METODE META- HEURISTIK (PENGGABUNGAN METODE ALGORITMA GENETIK DAN TABU SEARCH) TUGAS AKHIR Disusun Oleh : RIO PRAYOGA SUPRAYANA NPM. 06
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2957-2964 http://j-ptiik.ub.ac.id Optimasi Batasan Fungsi Keanggotaan Fuzzy Tsukamoto Menggunakan
Lebih terperinciPENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN
PENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN Nico Saputro dan Guntur Setia Negara Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciPenerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap
Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap Candra Bella Vista 1, Wayan Firdaus Mahmudy 2 Program Studi Informatika / Ilmu Komputer Fakultas Ilmu Komputer Universitas
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA PELAJARAN DI SMAN 1 CIWIDEY Rismayanti 1, Tati Harihayati 2 Teknik Informatika Universitas Komputer
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciAsri Maspupah Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan Sudirman, Cimahi
Perbandingan Jumlah Pinalti Alokasi Task pada Penjadwalan Kerja dengan Perhitungan Manual dan Algoritma Genetika Asri Maspupah Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciISSN VOL. 12, NO. 2, OKTOBER 2011
ANALISIS OPTIMASI PENJADWALAN JAGA DOKTER RESIDEN PENYAKIT DALAM PADA RUMAH SAKIT PENDIDIKAN Erlanie Sufarnap 1, Sudarto 2 STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 airlanee@yahoo.com 1,
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciPenerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan Produksi Pakaian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 6, Juni 218, hlm. 2168-2172 http://j-ptiik.ub.ac.id Penerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan
Lebih terperinciPREPROCESSING DATA DAN REPRESENTASI ORGANISME ALGORITMA SYMBIOTIC ORGANISMS SEARCH PADA PERMASALAHAN PENJADWALAN PRAKTIKUM PERGURUAN TINGGI
PREPROCESSING DATA DAN REPRESENTASI ORGANISME ALGORITMA SYMBIOTIC ORGANISMS SEARCH PADA PERMASALAHAN PENJADWALAN PRAKTIKUM PERGURUAN TINGGI Hendrawan Armanto 1), C. Pickerling 2), Eka Rahayu Setyaningsih
Lebih terperinciSISTEM PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA (STUDI KASUS: FAKULTAS KEDOKTERAN DAN KESEHATAN UNIVERSITAS MUHAMMADIYAH JAKARTA)
Studia Informatika: Jurnal Sistem Informasi, 9(2), 2016, 177-188 SISTEM PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA (STUDI KASUS: FAKULTAS KEDOKTERAN DAN KESEHATAN UNIVERSITAS MUHAMMADIYAH
Lebih terperinciOptimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir
IJCCS, Vol.6, No.1, January 2012, pp. 101~110 ISSN: 1978-1520 101 Optimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir Putri Elfa Mas`udia* 1, Retantyo Wardoyo
Lebih terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciOTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI PERGURUAN TINGGI MENGGUNAKAN METODE ALGORITMA GENETIKA ( STUDI KASUS STIKI )
OTOMASI PENJADWALAN KEGIATAN PRKULIAHAN DI PERGURUAN TINGGI MENGGUNAKAN METODE ALGORITMA GENETIKA ( STUDI KASUS STIKI ) Siska Diatinari Andarawarih 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
12 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah penjadwalan secara umum adalah aktifitas penugasan yang berhubungan dengan sejumlah kendala, sejumlah kejadian yang dapat terjadi pada suatu periode waktu
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Evolution Strategies pada PT. Kereta Api Indonesia (KAI) DAOP 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2473-2479 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Evolution
Lebih terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai optimisasi, pengertian penjadwalan,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinci