BAB 3 PERANCANGAN PROGRAM

Transkripsi

1 BAB 3 PERANCANGAN PROGRAM 3.1. Perancangan Database Conceptual Model Conceptual Model merupakan penggambaran database secara konsep dengan menggunakan ERD. Conceptual Model ditunjukkan oleh Gambar 3.1. Gambar 3.1. ERD

2 Tabel-tabel Database Secara umum, tabel-tabel dalam database ini dapat dikategorikan menjadi empat, yaitu tabel informasi, tabel Fuzzy Relation, tabel Genetic Algorithms, dan tabeltabel lainnya yang digunakan sebagai bantuan. Selain itu, tabel-tabel juga dapat dibagi menjadi tiga berdasarkan sifat data yang disimpan, yaitu tabel master, tabel proses, dan tabel temporary. Tabel master ditandai dengan huruf ms pada awal nama tabel, dimana data dalam tabel ini merupakan master dari data-data yang ada pada tabel lainnya. Tabel proses ditandai dengan huruf tr pada awal nama tabel, dan bertujuan untuk menyimpan data-data yang dihasilkan dari sebuah relasi. Tabel temporary ditandai dengan huruf copy pada awal nama tabel. Tabel temporary tidak dijabarkan pada uraian berikut ini Tabel Informasi Tabel dalam kategori ini bertujuan untuk menyimpan data-data yang digunakan sebagai informasi dalam program penjadwalan sidang tugas akhir. Tabel-tabel yang masuk kategori ini ditunjukkan pada Tabel 3.1. sampai Tabel 3.6. Tabel 3.1. Tabel GN_msdosen Name Type Size Key Keterangan Dosen_id Int 11 * Nomor Induk Dosen Dosen_val Text Nama Dosen

3 23 Tabel 3.2. Tabel GN_msproposal Name Type Size Key Keterangan Proposal_id Int 11 * Kode Proposal Proposal_mahasiswa Int 11 NIM Proposal_nim varchar 10 NIM mahasiswa Pembimbing1_id Int 11 Kode Pembimbing 1 Pembimbing1_id Int 11 Kode Pembimbing 2 Proposal_val Text Judul Proposal Tabel 3.3. Tabel GN_mstanggal Name Type Size Key Keterangan Tanggal_id Int 11 * Kode Tanggal Tanggal_val Text Tanggal yang bisa terpakai Tabel 3.4. Tabel GN_mssesi Name Type Size Key Keterangan Sesi_id Int 11 * Kode sesi Sesi_val Text Sesi yang bisa terpakai Tabel 3.5. Tabel GN_mskelas Name Type Size Key Keterangan Kelas_id Int 11 * Kode kelas Kelas_val Text Kelas yang bisa terpakai

4 24 Tabel 3.6. Tabel GN_mstopik Name Type Size Key Keterangan Topik_id Int 11 * Kode topik Topik_val Text Nama topik Tabel GN_mstopik digunakan untuk menyimpan topi-topik tugas akhir Tabel Fuzzy Relation Tabel Fuzzy Relation digunakan untuk menyimpan nilai-nilai yang digunakan dalam perhitungan memakai teori Fuzzy Relation. Hasil perhitungan juga disimpan dalam tabel pada kategori ini. Tabel 3.7. sampai Tabel 3.9. menunjukkan tabel-tabel dalam kategori ini. Tabel 3.7. Tabel GN_trrelasiDT Name Type Size Key Keterangan Relasi_id Int 11 * Kode Relasi Dosen_id Int 11 Kode Dosen Topik_id Int 11 Kode Topik Relasi_val Int 11 Nilai keahlian dosen terhadap topik tugas akhir Tabel GN_trrelasiDT digunakan untuk menyimpan nilai expertise dosen yang diperoleh dari input-an user.

5 25 Tabel 3.8. Tabel GN_trrelasiPT Name Type Size Key Keterangan Relasi_id Int 11 * Kode Relasi Proposal_id Int 11 Kode Proposal Topik_id Int 11 Kode Topik Relasi_val Int 11 Nilai Relasi Proposal terhadap Topik Tabel GN_trrelasiPT digunakan untuk menyimpan nilai content tugas akhir yang diperoleh dari input-an user. Tabel 3.9. Tabel GN_trelasiDP Name Type Size Key Keterangan Relasi_id Int 11 * Kode Relasi Proposal_id Int 11 Kode Proposal Dosen_id Int 11 Kode Dosen Relasi_val Int 11 Nilai Kompetensi Dosen terhadap Proposal Tabel GN_trrelasiDP digunakan untuk menyimpan hasil perhitungan tingkat kompetensi dosen dengan memakai Fuzzy Relation (Subbab 3.2.).

6 Tabel Genetic Algorithms Tabel-tabel yang masuk dalam kategori ini adalah tabel-tabel yang secara langsung dipakai dalam proses Genetic Algorithms. Tabel-tabel ini menyimpan berbagai keterangan yang dibutuhkan dalam men-generate sebuah jadwal sidang tugas akhir. Tabel sampai Tabel menjelaskan mengenai tabel-tabel dalam kategori ini. Tabel Tabel GN_msjadwal Name Type Size Key Keterangan Jadwal_id Int 11 * Kode Jadwal Tanggal_Id Int 11 Kode Tanggal Sesi_Id Int 11 Kode Sesi Kelas_Id Int 11 Kode Kelas Tabel GN_msjadwal digunakan untuk menyimpan tanggal sidang, sesi, dan kelas yang akan dipakai dalam satu periode sidang tugas akhir. Tabel Tabel GN_trberhalangan Name Type Size Key Keterangan Berhalangan_id Int 11 * Kode berhalangan Dosen_id Int 11 Kode Dosen Tanggal_id Int 11 Kode Tanggal Sesi_id Int 11 Kode Sesi Berhalangan_val Int 1 Value berhalangan / tidak

7 27 Tabel GN_trberhalangan digunakan untuk menyimpan jadwal berhalangan dosen. Dari tabel ini, diketahui jadwal dapat hadir seorang dosen. Tabel GN_trcopyhalangan digunakan untuk tabel sementara ketika terjadi perhitungan perubahan jadwal. Tabel Tabel GN_trproporsi Name Type Size Key Keterangan Proporsi_id Int 11 * Kode Proporsi Proposal_id Int 11 Kode Proposal Pembimbing1_id Int 11 Kode Pembimbing 1 Pembimbing2_id Int 11 Kode Pembimbing 2 KetuaPenguji_id Int 11 Kode ketua penguji AnggotaPenguji_id Int 11 Kode anggota penguji Kompetensi_fc Int 11 Fitness cost hasil proporsi Tabel GN_trproporsi digunakan untuk menyimpan susunan mahasiswa dan dosen-dosen penguji, yang selanjutnya dimasukkan ke dalam Tabel GN_trgen (gen-gen pada Genetic Algorihtms). Tabel Tabel GN_trgen Name Type Size Key Keterangan Gen_id Int 11 * Kode gen Jadwal_id Int 11 Kode Jadwal Kromosom_index Int 11 Index kromosom Proporsi_id Int 11 Kode Proporsi Jadwal_fc Int 11 Fitness cost jadwal

8 28 Tabel GN_trgen ini nantinya akan menjadi hasil akhir yang menentukan jadwal dan proporsi yang terpilih Perancangan Implementasi Fuzzy Relation Dalam pengembangan software penjadwalan sidang tugas akhir ini, Fuzzy Relation digunakan untuk menentukan dan menyusun dosen-dosen penguji yang ditugaskan menguji suatu tugas akhir. Penyusunan ini dilakukan dengan harapan agar tugas akhir diuji oleh dosen-dosen yang memiliki keahlian (expertise) yang sesuai dengan topik tugas akhir tersebut. Relasi antara dosen dengan tugas akhir ditentukan dengan melihat relasi antara dosen dengan topik-topik tugas akhir dan tugas akhir dengan topik-topik tugas akhir. Ada tiga hal yang harus diperhatikan yaitu dosen, tugas akhir, dan topik tugas akhir (agar tidak membingungkan, pada uraian berikutnya digunakan kata topik ). Topik didefinisikan sebagai domain T = {t1,t2,,tn} di mana dosen dan tugas akhir merupakan fuzzy set yang berada dalam domain T dan didefinisikan sebagai D ={D1,D2, Dp} dan P={P1,P2,,Pq} dengan n adalah jumlah topik, p adalah jumlah dosen yang menguji, dan q adalah jumlah tugas akhir yang disidang Relasi antara Dosen dan Topik (Nilai Expertise) Dalam relasi ini, dosen D merupakan fuzzy set dari topik T yang berarti setiap dosen memiliki nilai expertise (keahlian) terhadap setiap topik yang ada. Untuk lebih jelas, dapat dilihat pada contoh berikut:

9 29 Misalkan nilai p = 6 dan n = 8. Ini berarti ada 6 dosen dan 8 topik, yang dapat direpresentasikan dalam bentuk D = {D1,D2,D3,D4,D5,D6} T = {t1,t2,t3,t4,t5,t6}} dan kemudian diberikan nilai fuzzy sebagai berikut, µd1={0.3/t2,0.7/t5,1/t7,1/t8}, µd2={1/t2,0.8/t5,0.8/t7,1/t8}, µd3={0.9/t1,0.9/t3,1/t4,0.8/t6}, µd4={1/t1,0.5/t3,0.8/t4,0.8/t6}, µd5={0.1/t2,1/t4,0.7/t5,1/t8}, µd6={0.9/t2,0.8/t4,1/t5,1/t8}. Arti dari nilai fuzzy di atas, misalnya pada dosen D1, yaitu dosen D1 memiliki nilai expertise terhadap topik t2 sebesar 30%, topik t5 sebesar 70%, topik t7 sebesar 100%, dan topik t8 sebesar 100%. Topik-topik lain yang tidak ditulis memiliki arti bahwa dosen D1 tidak memiliki keahlian untuk topik-topik tersebut (nilai expertise =0%). Arti yang sama berlaku juga untuk dosen-dosen yang lain. Nilai expertise ini di-input-kan oleh user dan disimpan ke dalam table GN_trrelasiDT Relasi antara Tugas Akhir dan Topik (Nilai Content) Relasi ini memiliki arti yang sama dengan relasi antara dosen dan topik. Hanya saja pada relasi ini, yang merupakan fuzzy set adalah tugas akhir P, dimana arti dari relasi ini adalah setiap tugas akhir memiliki nilai content (kandungan) terhadap topik. Contoh berikut, menggunakan domain topik T yang sama dengan contoh pada subbab Misalkan nilai q = 5, sehingga ada 5 tugas akhir yang dapat direpresentasikan sebagai berikut: P = {P1,P2,P3,P4,P5}

10 30 dan nilai fuzzy tugas akhir P terhadap topik T adalah sebagai berikut : µp1={0.8/t2,0.7/t3,1/t8}, µp2={1/t2,0.8/t4,0.9/t7}, µp3={0.9/t1,1/t3}, µp4={1/t1,0.7/t3,0.8/t5,0.3/t6}, µp5={1/t4}. Nilai tersebut berarti tugas akhir P1 relevan atau memiliki nilai content terhadap topik t2 sebesar 80%, topik t3 sebesar 70%, dan topik t8 sebesar 100%. Pada contoh di atas juga terdapat tugas akhir P5 yang hanya memiliki sebuah nilai yaitu 1/ t4. Maksudnya adalah tugas akhir P5 benar-benar hanya relevan dengan topik t4 dengan nilai content sebesar 100%. Nilai content ini juga di-input-kan oleh user dan disimpan dalam table GN_trrelasiPT Relasi antara Dosen dan Tugas Akhir (Tingkat Kompetensi) Relasi ini menggambarkan tingkat kompetensi dari dosen terhadap tugas akhir. Setiap anggota dalam set dosen dihitung tingkat kompetensinya terhadap setiap anggota dalam set tugas akhir. Untuk menghitung tingkat kompetensi tersebut, digunakan rumus yang telah disesuaikan sebagai berikut, Sebagai contoh, dengan menggunakan domain T pada contoh , nilai expertise µd1={0.3/t2,0.7/t5,1/t7,1/t8}, µd2={1/t2,0.8/t5,0.8/t7,1/t8}, µd3={0.9/t1,0.9/t3,1/t4,0.8/t6}, µd4={1/t1,0.5/t3,0.8/t4,0.8/t6}, µd5={0.1/t2,1/t4,0.7/t5,1/t8}, µd6={0.9/t2,0.8/t4,1/t5,1/t8}.

11 31 dan nilai content µp1={0.8/t2,0.7/t3,1/t8}, µp2={1/t2,0.8/t4,0.9/t7}, µp3={0.9/t1,1/t3}, µp4={1/t1,0.7/t3,0.8/t5,0.3/t6}, µp5={1/t4}. maka tingkat kompetensi D1 terhadap P1 dapat dihitung sebagai berikut: Dengan menggunakan rumus (3.2.), diperoleh tingkat kompetensi semua dosen terhadap tugas akhir seperti ditunjukkan pada tabel Tabel Tingkat Kompetensi Dosen Terhadap Tugas Akhir D\P P1 P2 P3 P4 P5 D D D D D D Nilai tingkat kompetensi pada Tabel tersebut disimpan dalam Tabel GN_trrelasiDP dan digunakan untuk menyusun prioritas setiap dosen terhadap mahasiswa (tugas akhir).

12 Pemilihan Dosen Pembimbing dan Penguji Pemilihan dosen pembimbing dilakukan dengan cara mahasiswa memilih dosen pembimbingnya sendiri. Sedangkan untuk dosen penguji, akan dipilih secara random. Pemilihan dosen penguji pada satu mahasiswa tidak boleh sama dengan salah satu dosen pembimbingnya. Setelah itu, proses optimasi akan dilakukan pada implementasi Genetic Algorithms Perancangan Implementasi Genetic Algorithms Dalam merancang implementasi Genetic Algorithms untuk software penjadwalan ini, dibutuhkan lima langkah penting, yaitu pengkodean kromosom, pembuatan populasi awal, proses regenerasi (crossover, dan mutasi), dan pengulangan proses regenerasi dan penyesuaian Pengkodean Kromosom (Encoding) Pengkodean kromosom dalam software ini adalah bagaimana suatu susunan jadwal sidang tugas akhir dituliskan dalam bentuk susunan gen-gen dalam kromosom, dimana setiap gen mewakili satu jadwal sidang untuk setiap mahasiswa. Susunan gen inilah yang nantinya mengalami proses crossover, mutasi, dan regenerasi. Tabel database yang dipakai adalah Tabel GN_msjadwal, Tabel GN_msproporsi, dan Tabel GN_trgen. Susunan jadwal sidang tugas akhir dibagi berdasarkan tanggal, sesi, dan ruang sidang seperti yang dapat dilihat pada Tabel Data ini disimpan dalam Tabel GN_msjadwal.

13 33 Tabel Susunan Jadwal Sidang Sesi 1 Sesi 2 Sesi 3 Tanggal 1 Ruang 1 Ruang 2 Ruang 1 Ruang 2 Ruang 1 Ruang 2 Tanggal 2 Ruang 1 Ruang 2 Ruang 1 Ruang 2 Ruang 1 Ruang 2 Tanggal 3 Ruang 1 Ruang 2 Ruang 1 Ruang 2 Ruang 1 Ruang 2 Tanggal 4 Ruang 1 Ruang 2 Ruang 1 Ruang 2 Ruang 1 Ruang 2 Mengacu pada Tabel 3.15., susunan gen disusun dalam bentuk matriks tiga dimensi. Susunan gen didefinisikan sebagai berikut: Gen [ 1.. Jumlah Tanggal, 1.. Jumlah Sesi, 1.. Jumlah Kelas ] dimana jumlah tanggal menyatakan banyaknya tanggal sidang, jumlah sesi menyatakan banyak sesi sidang setiap harinya, dan Jumlah kelas menyatakan ruang kelas yang akan dipakai. Contoh bentuk matriks pengkodean gen dari Tabel 3.2 adalah sebagai berikut: [ 1, 1, 1 ] [ 1, 1, 2 ] [ 1, 2, 1 ] [ 1, 2, 2 ] [ 1, 3, 1 ] [ 1, 3, 2 ] [ 2, 1, 1 ] [ 2, 1, 2 ] [ 2, 2, 1 ] [ 2, 2, 2 ] [ 2, 3, 1 ] [ 2, 3, 2 ] [ 3, 1, 1 ] [ 3, 1, 2 ] [ 3, 2, 1 ] [ 3, 2, 2 ] [ 3, 3, 1 ] [ 3, 3, 2 ] [ 4, 1, 1 ] [ 4, 1, 2 ] [ 4, 2, 1 ] [ 4, 2, 2 ] [ 4, 3, 1 ] [ 4, 3, 2 ] Setiap matriks ini pertama-tama bernilai kosong, yang menandakan belum adanya mahasiswa yang disidang pada tanggal, sesi, dan kelas tersebut. Setiap gen pada matriks tersebut akan diisi dengan nilai-nilai berupa NIM, Pembimbing 1, Pembimbing 2, Ketua Penguji, dan Penguji yang diperoleh dari hasil implementasi Fuzzy Relation. Nilai-nilai tersebut didapat dari Tabel database GN_trproporsi. Setelah didapat gen yang terisi, data itu akan disimpan dalam Tabel GN_trgen. Selain itu, setiap gen juga menyimpan

14 34 fitness cost terhadap jadwal dan fitness cost terhadap tingkat kompetensi (perhitungan fitness cost ini dijelaskan pada Subbab tentang Fitness Cost). Jadi setiap gen nantinya akan memiliki tujuh nilai, yaitu NIM mahasiswa yang disidang, Dosen Pembimbing 1, Dosen Pembimbing 2, Dosen Ketua Penguji, Dosen Penguji, fitness cost jadwal, dan fitness cost kompetensi. Indeks dari gen tersebut menyatakan jadwal sidang (tanggal, sesi, dan ruang sidang) sehingga gen ini dinamakan Gen Jadwal. Dengan penggabungan semua gen-gen yang ada, diperoleh sebuah kromosom (kandidat solusi) dengan gen-gen yang memiliki nilai berupa NIM mahasiswa yang disidang dan dosen-dosen, serta indeks untuk mewakili tanggal, sesi, dan ruang sidang. Kromosom-kromosom inilah yang dipakai dalam seluruh proses Genetic Algorithms pada software ini Pembuatan Populasi Awal Setelah melakukan pengkodean, langkah berikutnya dalam Genetic Algorithms adalah membentuk populasi awal yang terdiri dari beberapa kromosom. Langkahlangkah dalam membuat populasi awal adalah pembuatan kromosom dan perhitungan fitness cost Pembuatan Kromosom Dalam pembentukan kromosom, ada dua hal yang harus dihindari agar kromosom tersebut memiliki fitness cost yang bagus, yaitu: a. Dosen bentrok terhadap jadwal yang sama. Hal ini terjadi bila pada tanggal yang sama dan sesi yang sama, seorang dosen ditugaskan pada dua atau

15 35 lebih ruang parallel. Kondisi ini tidak dapat ditoleransi sehingga kromosom yang memiliki kondisi seperti ini dianggap tidak valid (semua fitness cost diberi nilai nol). b. Dosen dijadwalkan pada tanggal dan sesi dimana dosen tersebut berhalangan. Kondisi ini masih dapat ditoleransi, namun berakibat pada berkurangnya fitness cost. Dalam pengembangan software ini, jumlah kromosom yang ada dalam populasi sebanyak 2 buah. Cara penyusunan tiap kromosom tersebut adalah : a. Kromosom dengan index nol disusun berdasarkan NIM ascending b. Kromosom dengan index satu disusun berdasarkan NIM descending Pengisian seperti ini bertujuan untuk menghasilkan susunan gen yang berbeda antara kromosom yang satu dengan yang lain. Untuk mendapatkan kromosom dengan fitness cost dengan kompetensi bagus, pengisian dilakukan dengan memperhatikan susunan keempat dosen Fitness Cost Sebelum menghitung fitness cost, perlu dilakukan penyusunan prioritas, dimana prioritas yang lebih tinggi lebih diutamakan dalam proses seleksi. Urutan prioritas dalam software ini dapat dijelaskan sebagai berikut: a. Prioritas pertama yaitu jadwal berhalangan seorang dosen terhadap jadwal sidang. Jadwal sidang yang diberikan kepada seorang dosen diharapkan tidak bertepatan dengan jadwal berhalangan dosen tersebut, terutama untuk dosen

16 36 pembimbing dan ketua penguji. Bila seorang dosen tidak berhalangan maka fitness cost didapat dengan mengalikan nilai boolean hadir sebuah nilai tertentu yang dinamakan Koefisien Jadwal. Nilai tersebut dapat dilihat pada Tabel Tabel Koefisien Jadwal untuk Dosen Dosen Tidak Berhalangan Koefisien Jadwal (J) Ketua Penguji (KU) 6 Penguji (U) 4 Dengan menggunakan nilai pada Tabel 3.16., rumus untuk menghitung fitness cost jadwal dapat didefinisikan sebagai berikut : FCjadwal = (JKU X KU) + (JU X U) dimana KU, dan U bernilai 1 jika dosen bisa hadir dan 0 bila dosen berhalangan hadir. Sebagai contoh, misalkan sebuah gen G memiliki dosen KU, U, dengan kondisi dosen U berhalangan hadir dalam sidang. Maka fitness cost dari gen tersebut dapat dihitung sebagai berikut : FCJadwal = (6 x 1) + (4 x 0) = 6 Fitness cost ini memiliki nilai maksimal 10 yang berarti semua dosen bisa hadir dalam sidang. b. Prioritas kedua adalah penentuan dosen yang menguji sebuah tugas akhir. Dosen yang menguji sebuah tugas akhir diharapkan mengerti dan memahami topik dari tugas akhir tersebut. Nilai yang digunakan untuk menghitung fitness cost ini adalah relasi_val dari Tabel GN_trrelasiDP yang merupakan tingkat kompetensi dari dosen. Ketua penguji mendapatkan bobot (K) yang lebih tinggi daripada

17 37 anggota penguji, sehingga nilai ketua penguji dikalikan 5, sedangkan nilai anggota penguji dikalikan 2. Rumus untuk menghitung fitness cost kompetensi dapat didefinisikan sebagai berikut : FCKompetensi = (KKU x NKU) + (KU x NU) dimana N adalah tingkat kompetensi dosen terhadap tugas akhir. Sebagai contoh, misalkan sebuah gen memiliki tingkat kompetensi ketua penguji sebesar 0.85, penguji sebesar sebesar Fitness cost gen tersebut dapat dihitung sebagai berikut : FCKompetensi = (5 x 0.85) + (2 x 0.92) = Proses Regenerasi Proses regenerasi adalah proses pembentukan kromosom-kromosom baru untuk menggantikan generasi lama dengan dengan tujuan mencari kromosom dengan nilai yang lebih baik. Proses regenerasi dilakukan dengan 2 cara, yaitu crossover, mutasi. Kedua cara ini tidak dilakukan sekaligus dalam setiap generasi, tetapi dilakukan proses pengacakan untuk memilih cara regenerasi untuk setiap generasi. Perbandingan crossover dan mutasi adalah 1: Crossover Crossover dilakukan dengan memilih 2 kromosom, asalkan kedua kromosom tidak boleh sama, dan kemudian menukar sebagian gen dari kedua kromosom itu. Metode yang digunakan adalah two-point crossover. 2 buah posisi dipilih secara acak dan semua gen yang berada diantara 2 posisi tersebut ditukar. Setelah melakukan

18 38 penukaran gen, dilakukan penyesuaian gen-gen yang tidak di-crossover terhadap gengen baru tersebut. Penyesuaian ini dilakukan agar tidak ada nilai NIM yang sama diantara gen dalam 1 kromosom. Crossover hanya terjadi pada level mahasiswa. Contoh crossover : Kromosom NIM1 NIM2 NIM3 NIM4 NIM5 NIM6 NIM7 Kromosom NIM1 NIM5 NIM4 NIM2 NIM6 NIM7 NIM3 Misalkan posisi yang dipilih secara acak adalah gen dengan index [0,2,0] dan [1,1,0]. Hasil crossover dari kedua kromosom tersebut adalah : Kromosom NIM1 NIM2 NIM5 NIM4 NIM2 NIM6 NIM6 NIM7 Kromosom NIM1 NIM3 NIM4 NIM5 NIM7 NIM3 Penyesuaian yang terjadi pada kromosom 1 adalah : a. Gen [0,1,0] sama dengan gen [1,0,0], maka gen [0,1,0] mengambil nilai gen [1,0,0] sebelum di-crossover, yaitu nilai kosong.

19 39 Perubahan 1 : NIM1 NIM5 NIM4 NIM2 NIM6 NIM6 NIM7 b. Gen [1,2,0] sama dengan gen [1,1,0], maka gen [1,2,0] mengambil nilai gen [1,1,0] sebelum di-crossover, yaitu NIM5. Perubahan 2 : NIM1 NIM5 NIM4 NIM2 NIM6 NIM5 NIM7 c. Gen [1,2,0] yang mengalami penyesuaian ternyata sama dengan gen [0,2,0]. Karena gen [0,2,0] mengalam crossover, maka nilai gen [1,2,0] harus mengalami penyesuaian lagi, menjadi NIM3. Penyesuaian yang terjadi pada kromosom 2 adalah : a. Gen [1,3,0] sama dengan gen [0,2,0], maka gen [1,3,0] mengambil gen [0,2,0] sebelum di-crossover, yaitu NIM5. Perubahan NIM1 NIM3 NIM4 NIM5 NIM7 NIM5 b. Gen [1,3,0] yang mengalami penyesuaian sama dengan gen [1,1,0]. Karena gen [1,1,0] mengalami crossover, maka gen [1,3,0] harus mengalami penyesuaian lagi, sehingga menjadi NIM6. Perubahan NIM1 NIM3 NIM4 NIM5 NIM7 NIM6

20 40 c. Gen [1,0,0] memiliki nilai kosong. Karena nilai gen sebelum di-crossover tidak kosong dan gen tersebut tidak sama dengan gen-gen yang di-crossover, maka nilai yang hilang ini harus dicarikan tempat kosong dalam kromosom (Bila nilai gen sebelum di-crossover kosong, tidak perlu dilakukan penyesuaian). Perubahan NIM1 NIM2 NIM3 NIM4 NIM5 NIM7 NIM3 Jadi setelah mengalami crossover, kedua kromosom tersebut menjadi : Kromosom NIM1 NIM5 NIM4 NIM2 NIM6 NIM3 NIM7 Kromosom NIM1 NIM2 NIM3 NIM4 NIM5 NIM7 NIM Mutasi Mutasi dilakukan dengan cara memilih dua gen secara random dari sebuah kromosom, dan kemudian ditukar nilainya. Mutasi dilakukan terhadap seluruh kromosom yang ada dalam satu generasi. Mutasi dapat terjadi pada dua level yaitu level mahasiswa dan level dosen. Pada level mahasiswa, mutasi menukar seluruh nilai gen (satu jadwal sidang) dari dua gen yang terpilih. Penukaran ini memungkinkan sebuah gen berpindah ke gen yang kosong. Dengan alasan inilah maka gen-gen yang kosong dipertahankan. Contoh mutasi pada level mahasiswa :

21 41 Kromosom awal : NIM1 NIM2 NIM3 NIM4 NIM5 NIM6 NIM7 Misalkan dua gen yang dipilih secara random adalah gen dengan index [0,2,0] dan[1,2,0]. Hasil mutasi dari dua gen tersebut adalah : NIM1 NIM2 NIM6 NIM4 NIM5 NIM3 NIM7 Bila dari kromosom awal, gen yang terpilih adalah [0,2,0] dan [1,0,0] yang kosong, maka hasil mutasi menjadi : NIM1 NIM2 NIM4 NIM3 NIM5 NIM6 NIM7 Gen yang kosong sekarang berada pada [0,2,0]. Pada level dosen, mutasi dilakukan terhadap nilai dosen penguji dalam gen, baik itu ketua penguji, atau penguji. Gen-gen yang ditukar pada level ini harus merupakan gen yang sudah terisi. Hal ini dilakukan untuk menghindari kondisi yang tidak valid dimana dosen penguji ditempatkan pada gen yang tidak memiliki mahasiswa yang disidang. Contoh mutasi pada level dosen: Kromosom awal (yang ditulis hanya dosen penguji) : AB DE AD BH CH BD Misalkan terjadi mutasi pada gen [0,0,1] dosen 1 dan gen [1,0,1] dosen 2, maka kromosom tersebut menjadi :

22 AB HE AD BH CD BD Pada level ini, kondisi dimana terjadi mutasi pada gen [0,0,1] dan [1,0,0] tidak mungkin terjadi karena sudah dilakukan pengecekan terhadap isi gen. Namun, kondisi tidak valid masih dapat terjadi seperti bila mutasi terjadi pada gen [0,0,1] dosen 1 dan gen [1,1,0] dosen 1. Hasil mutasi adalah sebagai berikut : AB BE AD BH CH DD Gen [0,0,1] memiliki dosen B yang juga berada pada gen [0,0,0]. Indeks pertama dan kedua yang menyatakan tanggal dan sesi sidang yang sama namun pada ruang yang berbeda. Kondisi ini adalah kondisi yang tidak valid. Kondisi tidak valid lainnya terjadi juga pada gen [1,1,0] dimana pada gen tersebut Dosen D ditulis dua kali yang berarti pada tanggal, sesi, dan ruang yang sama, ada dua orang Dosen D. Kondisi-kondisi tidak valid ini juga dilihat terhadap dosen pembimbing, sehingga tidak ada dosen yang jadwal menguji dan membimbingnya bentrok ataupun berada dalam satu sidang sebagai pembimbing dan penguji Pengulangan Proses Regenerasi dan Seleksi (Proses Optimasi) Langkah terakhir adalah melakukan pengulangan proses regenerasi dan seleksi sebanyak input-an dari user. Proses pengulangan ini dapat terus dilakukan user sampai mendapat hasil optimal yang diinginkan.

23 Rancangan Layar Layar Pembuka Judul Program Penjelasan singkat mengenai program, dan langkahlangkah untuk memulai program Tombol ke layar berikut Gambar 3.2. Rancangan Layar Pembuka Seperti yang terlihat pada Gambar 3.2., layar pembuka hanyalah layar perkenalan saja, terdapat judul program, penjelasan singkat, dan terdapat tombol untuk memulai program.

24 Layar Langkah-1 Judul Tombol ke Home Input Tanggal Tombol ke langkah selanjutnya Tampilan data tanggal yang telah diinput Gambar 3.3. Rancangan Layar Langkah-1. Seperti yang terlihat pada Gambar 3.3., yang akan di-input adalah tanggaltanggal yang akan dipakai untuk proses sidang tugas akhir. Tombol ke Home akan membawa kembali user ke layar pembuka.

25 Layar Langkah-2 Judul Home Langkah sebelumnya Input Sesi Tombol ke langkah selanjutnya Tampilan Data sesi yang telah diinput tugas akhir. Gambar 3.4. Rancangan Layar-2. Pada Layar-2 ini akan di-input banyak sesi yang akan dipakai dalam sidang

26 Layar Langkah-3 Judul Home dan Langkahlangkah sebelumn ya Input Kelas Tombol ke langkah selanjutnya Tampilan data kelas-kelas yang telah di-input Gambar 3.5. Rancangan Layar Langkah-3 Pada Langkah-3 ini, user akan meng-input kelas-kelas mana saja yang akan digunakan untuk pelaksanaan sidang tugas akhir.

27 Layar Langkah-4 Judul Home Dan langkahlangkah sebelumnya Generate Jadwal Tombol ke langkah selanjutnya Jadwal yang tergenerate Gambar 3.6. Rancangan Layar Langkah-4 Pada langkah-4 ini jadwal akan di-generate. Sebelum User bisa ke langkah selanjutnya, User harus memilih tombol generate jadwal.

28 Layar Langkah-5 Judul Home Dan langkahlangkah sebelumnya Input Topik Tombol ke langkah selanjutnya Data Topik tugas akhir. Gambar 3.7. Rancangan Layar Langkah-5 Di Langkah-5 ini akan di-input topik-topik apa saja yang akan ditetapkan untuk

29 Layar Langkah-6 Judul Inputan Dosen Tampilan Data Dosen yang telah Diinput Tombol ke Langkah Selanjutnya Gambar 3.8. Rancangan Layar Langkah-6 Pada Langkah-6 ini, akan di-input data tentang dosen. Data ini akan terdiri dari, kompetensi dosen, jadwal bisa hadir sidang atau tidak.

30 Layar Langkah-7 Judul Inputan Data Mahasiswa dan Proposalnya Tampilan Data Mahasiswa dan Proposalnya Tombol ke Langkah Selanjutnya akan disidang. Gambar 3.9. Rancangan Layar Langkah-7 Pada Langkah-7 ini, akan di-input data tentang mahasiswa dan proposal yang

31 Layar Langkah-8 Judul Tombol Proses Tombol Regenerasi Hasil Dari Proses Tombol untuk mengakhiri program Gambar Rancangan Layar Langkah-8 Pada Langkah-8 ini adalah halaman yang akan menampilkan hasil dari proses yang telah dilakukan, di langkah ini user bisa terus melakukan iterasi sampai mendapat hasil dengan fitness cost yang baik. Tombol proses melakukan proses regenerasi dan seleksi.

32 Layar Akhir Judul Restart Kembali Gambar Rancangan Layar Akhir Pada langkah terakhir ini akan diminta konfirmasi apakah akan mengakhiri program ini atau kembali ke langkah-8 yang menghasilkan hasil proses Perancangan Modul Di bawah ini adalah Pseudocode dari modul-modul yang ada : Modul Home (Layar Pembuka) Mulai modul Home Pilih tombol Langkah-1 Tutup modul Home Panggil modul Langkah-1 Akhir dari modul Home

33 Modul Langkah-1 (Input Tanggal Sidang) Mulai modul Langkah-1 Buka database gene While tidak pilih tombol Langkah-2 Insert data tanggal ke tabel GN_mstanggal Tampilkan tanggal yang sudah diinput dari tabel GN_mstanggal If pilih tombol Ubah Update data tanggal di tabel GN_mstanggal Pilih tombol Langkah-2 Tutup database gene Tutup modul Langkah-1 Panggil modul Langkah-2 Akhir modul Langkah Modul Langkah-2(Input Banyak Sesi Sidang Setiap Harinya) Mulai modul Langkah-2 Buka database gene While tidak pilih tombol Langkah-3 Insert banyak sesi ke tabel GN_mssesi Tampilkan sesi yang telah diinput dari tabel GN_mssesi If pilih tombol ubah Update banyak sesi di tabel GN_mssesi Pilih tombol Langkah-3

34 54 Tutup database gene Tutup modul Langkah-2 Panggil modul Langkah-3 Akhir modul Langkah Modul Langkah-3 (Input Ruang Kelas Yang Dipakai Untuk Sidang) Mulai modul Langkah-3 Buka database gene While tidak pilih tombol Langkah-4 Insert data nama kelas ke tabel GN_mskelas Tampilkan data nama kelas yang telah diinput dari tabel GN_mskelas If pilih tombol Ubah Update data nama kelas pada tabel GN_mskelas Pilih tombol Langkah-4 Tutup database gene Tutup modul Langkah-3 Panggil modul Langkah-4 Akhir modul Langkah Modul Langkah-4 (Encoding Gen Jadwal) Mulai modul Langkah-4 Buka database gene Pilih tombol Generate Jadwal

35 55 i = tanggal_id dari tabel GN_mstanggal j = sesi_id dari tabel GN_mssesi k = kelas_id dari tabel GN_mskelas For i =1 sampai jumlah tanggal; i++ For j = 1 sampai jumlah sesi;j++ For k =1 sampai jumlah kelas; k++ Insert (i,j,k) ke tabel GN_msjadwal Tampilkan jadwal dari tabel GN_msjadwal Pilih tombol Langkah-5 Tutup modul Langkah-4 Panggil modul Langkah-5 Akhir modul Langkah Modul Langkah-5 (Input Topik Yang Ditentukan Untuk Skripsi) Mulai modul Langkah-5 Buka database gene While tidak pilih tombol Langkah-6 Insert nama topik ke tabel GN_mstopik Tampilkan nama topik yang telah diinput dari tabel GN_mstopik If pilih tombol Ubah Update data nama topik pada tabel GN_mstopik Pilih tombol Langkah-6 Tutup database gene

36 56 Tutup modul Langkah-5 Panggil modul Langkah-6 Akhir modul Langkah Modul Langkah-6 (Input Data Dosen) Mulai modul Langkah-6 Buka database gene While tidak pilih tombol Langkah-7 Insert nama dosen ke tabel GN_msdosen Insert nilai relasi ke tabel GN_trrelasiDT Insert nilai berhalangan dosen pada setiap tanggal dan sesi sidang ke tabel GN_trberhalangan If pilih tombol Modify Update nama dosen, nilai relasi, dan nilai berhalangan Pilih tombol Langkah-7 Tutup database gene Tutup modul Langkah-6 Panggil modul Langkah-7 Akhir modul Langkah Modul Langkah-7 (Input Data Mahasiswa) Mulai modul Langkah-7 Buka database gene

37 57 While tidak pilih tombol Langkah-8 Insert proposal_nim, proposal_mahasiswa, nama proposal, pembimbing_1, dan pembimbing_2 ke tabel GN_msproposal Insert nilai relasi proposal terhadap setiap topik ke tabel GN_trrelasiPT If pilih tombol Modify Update tabel GN_msproposal dan GN_trrelasi Pilih tombol Langkah-8 Tutup database gene Tutup modul Langkah-7 Panggil modul Langkah-8 Akhir modul Langkah Modul Langkah-8 Mulai modul Langkah-8 Buka database gene Lakukan pilihan tombol sesuai urutan Pilih tombol Hitung Kompetensi Panggil modul Hitung Kompetensi Pilih tombol Generate Proporsi Panggil modul Generate Proporsi Pilih tombol Generate Chromosome Panggil modul Generate Chromosome Tampilkan hasil penjadwalan sementara

38 58 Pilih tombol Regenerasi Panggil modul Regenerasi Tampilkan hasil penjadwalan setelah optimasi Pilih tombol Hapus Data dan Ulang If pilih tombol Restart Hapus semua isi dalam tabel-tabel pada database gene Tutup database gene Panggil modul Home If pilih tombol Kembali Panggil modul Langkah-8 Akhir modul Langkah Modul Hitung Kompetensi Mulai modul Hitung Kompetensi Ambil semua data dari tabel GN_trrelasiDT Ambil semua data dari tabel GN_trrelasi PT Set P = Jumlah dari relasi proposal topik dari table GN_trrelasiPT Untuk setiap relasi proposal-topik { DP = nilai minimum dari relasi dosen-topik(i) dan relasi proposal-topik Relasi dosen-proposal = DP/P

39 59 Insert data ke tabel GN_trrelasiDP } Akhir modul Hitung Kompetensi Modul Generate Proporsi Mulai modul Generate Proporsi Ambil semua data dosen dari tabel GN_msdosen Ambil semua data berhalangan dosen dari tabel GN_trberhalangan Ambil semua data proposal dari tabel GN_msproposal Ambil semua data relasi proposal dengan topik dari table GN_trrelasiDP Untuk setiap proposal { If dosen penguji proposal tidak sama dengan dosen pembimbing : Pasangkan dosen penguji pada proposal Random pilih ketua penguji dari 2 dosen penguji Hitung Fitness Cost (kompetensi) penguji = 5*kompetensi ketua penguji + 2*anggota penguji Insert data ke tabel GN_trproporsi } Akhir modul Generate Proporsi Modul Generate Chromosome Mulai modul Generate Chromosome

40 60 Ambil semua data dari tabel GN_msjadwal Ambil semua data dari tabel GN_trproporsi Untuk membuat Chromosome index[0] Pasangkan data proporsi dan data jadwal dengan NIM ascending Ulangi untuk setiap nilai proporsi (NIM tidak boleh sama) Hitung Fitnesscost jadwal = 6*nilai hadir (Boolean) ketua penguji + 4*nilai hadir dosen penguji Untuk membuat Chromosome index[1] Pasangkan data proporsi dan data jadwal dengan NIM descending Ulangi untuk setiap nilai proporsi (NIM tidak boleh sama) Hitung Fitnesscost jadwal = 6*nilai hadir (Boolean) ketua penguji + 4*nilai hadir dosen penguji Akhir modul Generate Chromosome Modul Regenerasi Mulai modul Regenerasi Set x = Random(3) If x = = 0 Panggil modul Mutasi Mahasiswa If x = = 1 Panggil modul Mutasi Dosen If x = = 2 Panggil modul Crossover

41 61 Akhir modul Regenerasi Modul Mutasi Mahasiswa Mulai modul Mutasi Mahasiswa Pilih random 2 gen dari Chromosome yang punya best fitnesscost Tukar NIM mahasiswa pada 2 gen tersebut Untuk setiap gen Hitung Fitnesscost jadwal gen Hitung Fitnesscost kompetensi gen Tampilkan Fitnesscost minimum sebagai Fitnesscost kromosom Akhir modul Mutasi Mahasiswa Modul Mutasi Dosen Mulai modul Mutasi Dosen Pilih random 2 gen dari Chromosome yang punya best fitnesscost Tukar dosen random pada 2 gen tersebut Untuk setiap gen Hitung Fitnesscost jadwal gen Hitung Fitnesscost kompetensi gen Tampilkan Fitnesscost minimum sebagai Fitnesscost kromosom Akhir modul Mutasi Dosen Modul Crossover Mulai modul Crossover

42 62 Pilih random 2 nomor index gen jadwal I = no index gen jadwal yang lebih kecil J = no index gen jadwal yang lebih besar For I to J Tukar semua proporsi dalam gen Chromosome[0] dan Chromosome[1] If isi gen dalam 1 Chromosome ada yang sama If gen itu yang tidak mengalami crossover Tukar isi gen itu dengan isi gen sebelum dicrossover Untuk semua gen Hitung Fitnesscost jadwal Hitung Fitnesscost kompetensi Tampilkan Fitnesscost minimum sebagai Fitnesscost kromosom Akhir modul Crossover