BAB III METODOLOGI PENELITIAN. Ukuran unjuk kerja dalam hal ini kecepatan akses data dalam sebuah aplikasi web

Transkripsi

1 BAB III METODOLOGI PENELITIAN Ukuran unjuk kerja dalam hal ini kecepatan akses data dalam sebuah aplikasi web dipengaruhi oleh banyak faktor. Salah satu faktornya adalah desain aplikasi. Untuk kinerja Desain aplikasi dalam layout saja tidak cukup untuk pengoptimalan kinerja web. Meskipun layout dibuat sederhana dengan sedikit menggunakan aplikasi multimedia seperti flash dalam desain aplikasinya namun tetap saja belum bisa menjamin kinerja aplikasi web akan cepat. Optimasi dalam desain aplikasi Kalau tidak didukung dengan kecepatan akses yang memadai maka akan semakin menurun unjuk kerjanya. Faktor lainnya adalah optimasi basis data. Data yang tersimpan dalam database semakin lama akan semakin besar ukuran atau volumenya. Untuk meningkatkan unjuk kerja harus didukung dengan optimasi dari perintah SQL yang digunakan pada aplikasi tersebut. Dalam mendesain database, seringkali lokasi fisik data tidak menjadi perhatian penting karena hanya desain logik saja yang diperhatikan. Padahal untuk menampilkan hasil query dibutuhkan pencarian yang melibatkan struktur fisik penyimpanan data. Inti dari optimasi query adalah meminimalkan jalur pencarian untuk menemukan data yang disimpan dalam lokasi fisik. Index pada database digunakan untuk meningkatkan kecepatan akses data. Pada saat query dijalankan, index mencari data dan menentukan nilai ROWID yang membantu menemukan lokasi data secara fisik di disk. Akan tetapi 28

2 29 penggunaan index yang tidak tepat, tidak akan meningkatkan unjuk kerja dalam hal ini kecepatan akses data. 3.1 Bahan-Bahan Dalam penelitian ini penulis menganalisis web E-learning dengan menggabungkan metode M2S crossover dan metode CHUNK crossover sehingga dihasilkan sebuah penggabungan dari kedua metode M2S crossover dan CHUNK crossover tersebut dalam optimasi data. Adapun bahan-bahan yang digunakan dalam penelitian ini berupa Data yang terdiri dari tabel guru, tabel siswa, tabel matapelajaran, tabel porsi (tabel staf pengajar dalam melakukan proses pembelajaran), tabel waktu, tabel jadwal E- learning. 3.2 Analisis Optimasi Menganalisa optimasi query database dalam web pembelajaran SMK N 1 Barumun dan untuk menganalisa perbandingan antara optimasi dengan metode M2S Crossover dan optimasi dengan metode CHUNK Crossover dengan tahapantahapan: 1. Representasi Kromosom Elemen utama dalam pengoperasian algoritma genetik adalah kromosom. Pada optimasi query database ini diberikan sejumlah join dan relasi. Dari setiap tabel yang ada, untuk membuat query, field-fieldnya dapat direlasikan ke tabel

3 30 mana saja. Dengan kata lain, setiap tabel dapat dijoinkan dengan tabel-tabel lainnya. Contoh: Dicari nilai a, b, c, d maka variabel a, b, c, d dijadikan sebagai gen-gen pembentuk chromosome. Batasan nilai variabel a adalah bilangan integer 0 sampai 30. Sedangkan batasan nilai variabel b, c, dan d adalah bilangan integer 0 sampai Menentukan populasi awal Setelah ukuran populasi ditentukan, kemudian dilakukan inisialisasi terhadap kromosom yang terdapat pada populasi tersebut dengan populasi awal dipilih secara acak. Contoh: Misalkan ditentukan jumlah populasi adalah 6, maka: Chromosome[1] = [a;b;c;d] = [12;05;03;08] Chromosome[2] = [a;b;c;d] = [02;01;08;03] Chromosome[3] = [a;b;c;d] = [10;04;03;04] Chromosome[4] = [a;b;c;d] = [20;01;10;06] Chromosome[5] = [a;b;c;d] = [01;04;03;09] Chromosome[6] = [a;b;c;d] = [20;05;07;01] 3. Seleksi Metode seleksi yang digunakan pada algoritma ini adalah metode Roulette Wheel (piringan rolet). Seleksi ini bertujuan untuk memberikan kesempatan

4 31 seleksi yang lebih besar bagi anggota populasi yang memiliki fitness tinggi untuk melakukan seleksi. Permasalahan yang ingin diselesaikan adalah nilai variabel a, b, c, dan d yang memenuhi persamaan a+2b+3c+4d = 30, maka fungsi_objektif yang dapat digunakan untuk mendapatkan solusi adalah: fungsi_objektif(chromosome) = (a+2b+3c+4d) 30 Hitung fungsi_objektif dari chromosome yang telah dibangkitkan: fungsi_objektif(chromosome[1]) = Abs(( *5 + 3*3 + 4*8 ) 30) = Abs(( ) 30) = Abs(63 30) = 33 fungsi_objektif(chromosome[2]) = Abs(( 2 + 2*1 + 3*8 + 4*3 ) 30) = Abs(( ) 30) = Abs(40 30) = 10 fungsi_objektif(chromosome[3]) = Abs(( *4 + 3*3 + 4*4 ) -30) = Abs(( ) 30) = Abs(43 30) = 13 fungsi_objektif(chromosome[4]) = Abs(( *1 + 3*10 + 4*6 ) 30) = Abs(( ) 30) = Abs(76 30) = 46

5 32 fungsi_objektif(chromosome[5]) = Abs(( 1 + 2*4 + 3*3 + 4*9 ) 30) = Abs(( ) 30) = Abs(54 30) = 24 fungsi_objektif(chromosome[6]) = Abs(( *5 + 3*7 + 4*1 ) 30) = Abs(( ) 30) = Abs(55 30) = 25 Rata-rata dari fungsi objektif adalah: rata-rata = ( )/6 = 151 / 6 = Proses seleksi dilakukan dengan cara membuat chromosome yang mempunyai fungsi_objektif kecil mempunyai kemungkinan terpilih yang besar atau mempunyai nilai probabilitas yang tinggi. Algoritma dari seleksi roda roulette wheel adalah sebagai berikut : a. Hitung total fitness (F) : TotFitness = Σ Fk; k=1,2,,popsize Untuk itu dapat digunakan fungsi fitness = (1/(1+fungsi_objektif)), fungsi_objektif perlu ditambah 1 untuk menghindari kesalahan program yang diakibatkan pembagian oleh 0. fitness[1] = 1 / (fungsi_objektif[1]+1) = 1 / 34

6 33 = fitness[2] = 1 / (fungsi_objektif[2]+1) = 1 / 11 = fitness[3] = 1 / (fungsi_objektif[3]+1) = 1 / 14 = fitness[4] = 1 / (fungsi_objektif[4]+1) = 1 / 47 = fitness[5] = 1 / (fungsi_objektif[5]+1) = 1 / 25 = fitness[6] = 1 / (fungsi_objektif[6]+1) = 1 / 26 = total_fitness = = b. Hitung fitness relatif tiap individu : pk = Fk / TotFitness Rumus untuk mencari probabilitas: P[i] = fitness[i] / total_fitness P[1] = /

7 34 = P[2] = / = P[3] = / = P[4] = / = P[5] = 0.04 / = P[6] = / = c. Hitung fitness komulatif : q1 = p1 qk = qk-1 + pk; k =2,3,,popsize Dari probabilitas diatas dapat kita lihat kalau chromosome ke 2 yang mempunyai fitness paling besar maka chromosome tersebut mempunyai probabilitas untuk terpilih pada generasi selanjutnya lebih besar dari chromosome lainnya. Untuk proses seleksi kita gunakan roulete wheel, untuk itu kita harus mencari dahulu nilai kumulatif probabilitasnya: C[1] = C[2] = =

8 35 C[3] = = C[4] = = C[5] = = C[6] = = 1 d. Pilih induk yang akan menjadi kandidat untuk di-crossover dengan cara : - Bangkitkan bilangan random r. - Jika qk r dan qk+1 > r, maka pilih kromosom ke (k+1) sebagai kandidat induk. Jika R[k] < C[1] maka pilih chromosome 1 sebagai induk, selain itu pilih chromosome ke-k sebagai induk dengan syarat C[k-1] < R < C[k]. Kita putar roulete wheel sebanyak jumlah populasi yaitu 6 kali (bangkitkan bilangan acak R) dan pada tiap putaran, kita pilih satu chromosome untuk populasi baru. Misal: R[1] = R[2] = R[3] = R[4] = 0.822

9 36 R[5] = R[6] = Angka acak pertama R[1] adalah lebih besar dari C[1] dan lebih kecil daripada C[2] maka pilih chromosome[2] sebagai chromosome pada populasi baru, dari bilangan acak yang telah dibangkitkan diatas maka populasi chromosome baru hasil proses seleksi adalah: chromosome[1] = chromosome[2] chromosome[2] = chromosome[2] chromosome[3] = chromosome[1] chromosome[4] = chromosome[5] chromosome[5] = chromosome[2] chromosome[6] = chromosome[3] Chromosome baru hasil proses seleksi: chromosome[1] = [02;01;08;03] chromosome[2] = [02;01;08;03] chromosome[3] = [12;05;03;08] chromosome[4] = [01;04;03;09] chromosome[5] = [02;01;08;03] chromosome[6] = [10;04;03;04] 4. Crossover Melakukan optimasi query dengan metode crossover M2S dan CHUNK 5. Mutasi

10 37 Mutasi yang digunakan dalam penelitian ini adalah mutasi permutasi. Mutasi yang dapat dilakukan yaitu dengan memilih dua nilai gen dari kromosom dan kemudian nilai tersebut saling dipertukarkan. Penukaran untuk setiap nilai dilakukan secara acak dengan masing-masing nilai gen yang menyatakan relasi mempunyai peluang yang sama untuk terpilih sebagai nilai gen penukar. 6. Parameter Genetik Parameter genetik berguna dalamnpengendalian operator-operator genetik. Beberapa parameter yang digunakan adalah : jumlah relasi, ukuran populasi, maksimum generasi, probabilitas crossover (Pc), dan probabilitas mutasi (Pm). 3.3 Teknik Analisa Konsep E-Learning Kebutuhan Optimasi Konsep E-learning pada SMK Barumun yang akan dioptimasi adalah Implementasi E-learning sebagai pengganti les tambahan yang merupakan program pihak sekolah untuk meningkatkan hasil belajar siswa. Kegiaran belajar on-line yang dilakukan oleh guru bidang studi adalah pemberian materi dan tugas secara on line yang juga harus diikuti oleh siswa pada jam-jam yang telah ditentukan. Untuk memudahkan pihak guru bidang studi, maka guru hanya memberikan file materi dan tugas yang selalu terupdate untuk diserahkan pada admin selanjutnya admin akan memasukkan dalam situs e-learning sekolah. Keterbatasan pihak sekolah yang hanya mempunyai 2 (dua) admin tentu membuat jalannya pembelajaran online beresiko akan terjadi benturan jadwal dan bisa

11 38 memperlambat jalannya koneksi situs. Untuk itu perlu dilakukan optimasi database yang mana akan dikaji optimasi yang lebih baik dengan membandingkan antara metode optimasi M2S cross over dan Chunk cross over Data base Elearning Data yang tersimpan dalam database elearning diklasifikasikan dan dikombinasikan dengan menggunakan pendekatan algoritma genetika. Tabel-tabel database yang berkaitan dengan optimasi elearning adalah sebagai berikut: Tabel 3.1. Database tabel guru Tabel guru dalam database elearning terdiri dari 6 field dengan 2 field yang akan di kombinasikan dengan tabel lain yakni id sebagai kode guru dan namaguru adalah staf pengajar. Tabel 3.2. Database tabel siswa Tabel siswa dalam database elearning terdiri dari 7 field dengan 4 field yang akan di kombinasikan dengan tabel lain yakni id sebagai kode siswa, dan

12 39 field nama adalah nama siswa, field fkelas yakni tingkatan kelas siswa yang terdiri dari kelas sepuluh (X), sebelas (XI) dan duabelas (XII) dan field jurusan yakni jurusan A, B dan C. Tabel 3.3. Database tabel Matapelajaran Tabel Matapelajaran dalam database elearning terdiri dari 3 field dengan 3 field yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode pelajaran, field pelajaran adalah nama mata pelajaran dan field kelas adalah kelas siswa yakni kelas sepuluh (X), sebelas (XI) dan duabelas (XII). Tabel 3.4. Database tabel porsi Tabel por dasilam database elearning terdiri dari 4 field dengan 4 field yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode porsi, field namaguru yakni staf pengajar dalam elearning, field semester adalah semester berjalan dan field porsi adalah porsi untuk staff pengajar dalam melakukan proses pengajaran dalam elearning. Tabel 3.5. Database tabel Waktu

13 40 Tabel waktu dalam database elearning terdiri dari 4 field dengan 4 field yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode waktu, field termin yakni termin elearning dalam satu hari, field jam adalah waktu jam proses elearning dan field hari adalah jadwal hari proses elearning. Tabel 3.6. Database tabel jadwal elearning Tabel jadwal dalam database elearning terdiri dari 10 field dengan 10 field yang akan di optimasi yakni field idguru sebagai kode guru, field namaguru yakni nama staf pengajar, field idpelajaran sebagai kode mata pelajaran, field pelajaran yakni mata pelajaran dalam elearning, field jurusan yakni penjurusan dari siswa, field semester yakni semester berjalan, field kelas yakni tingkatan kelas siswa, field hari yakni hari proses elearning dan field termin yakni termin dalam waktu elearning yakni terbagi dalam termin 1,2 dan seterusnya berkaitan dengan field jam yakni jam , , , dan Representasi Kromosom Elemen utama dalam pengoperasian algoritma genetik yakni kromosom dimana pada optimasi query database elearning diberikan sejumlah join dan relasi. Tabeltabel yang ada untuk membuat query, field-fieldnya dapat direlasikan ke tabel

14 41 mana saja atau setiap tabel dapat dijoinkan dengan tabel-tabel lainnya. Relasi dan join tabel elaearning dapat digambarkan sebagai berikut: Admin Id Nama Guru Id Namaguru NIP pelajaran Nohp Id namaguru semester matapelajaran Id pelajaran kelas Jadwal Idguru Namaguru idpelajaran pelajaran jurusan semester kelas hari termin jam Id termin jam hari Siswa Id Namasiswa NIS kelas jurusan Nohp waktu Gambar 3.4 Relasi dan Joint tabel Prosedur Inisialisasi Pada prosedur inisiasi dilakukan proses inisiasi porsi guru pengajar elearning dengan data awal 25 data guru dan 10 data mata pelajaran.

15 42 Tabel 3.7. Database data Guru SMK N 1 Barumun Kode Guru GU001 GU002 GU003 GU004 GU005 GU006 GU007 GU008 GU009 GU010 GU011 GU012 GU013 GU014 GU015 GU016 GU017 GU018 GU019 GU020 GU021 GU022 GU023 GU024 GU025 Nama Guru Reza Hakin Mustika Rani Siti Humaira Raja Jamil Eka Dinavia Ari Bernard Cici Dwi Eli Fadly Gandi Izul Jaja Kenanga Luban Mirna Noni Oka Patrick Qila Rara Sandi Tuti

16 43 Tabel 3.8. Database data SMK N 1 Barumun Kode Guru MP001 MP002 MP003 MP004 MP005 MP006 MP007 MP008 MP009 MP010 Nama Matematika Bahasa Inggris Bahasa Indonesia Bahasa Daerah Pendidikan Agama Kimia Fisika Komputer Seni budaya Sejarah Dari tabel-tabel tersebut diatas diinisiasi berdasarkan porsi mengajar online yang ditugaskan kerpada guru mata pelajaran dalam e-learning Web SMK N 1 Barumun yang akan di tangani oleh 5 (lima) admin yakni Admin Susi, Admin Raka, Admin Anton, Admin Budi dan Admin Cintia dengan uraian sebagai berikut: a. Kode guru : GU001 : Reza hakin Kode Mata pelajaran : MP001 : Matematika : I : X

17 44 Tabel 3.9. Kode Guru GU001 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I Susi Raka II III IV V b. Kode guru : GU002 : Mustika Rani Kode Mata pelajaran : MP002 : Bahasa inggris : I : X Tabel Kode Guru GU002 Senin (01) Selasa (02) I Anton Cintia Rabu (03) Kamis (04) II Budi Raka III Susi IV V Jum at (05) Sabtu (06) c. Kode guru : GU003 : Siti Humaira

18 45 Kode Mata pelajaran : MP003 : Bahasa indonesia : I : X Tabel Kode Guru GU003 Senin (01) Selasa (02) Rabu (03) I Budi Kamis (04) II Susi III Cintia IV Anton Jum at (05) Sabtu (06) V Raka d. Kode guru : GU004 : Raja Jamil Kode Mata pelajaran : MP004 : Bahasa Daerah : I : X Tabel Kode Guru GU004 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I Anton Cintia II III Budi Susi

19 46 IV Raka Anton V e. Kode guru : GU005 : Eka Dinavia Kode Mata pelajaran : MP005 : Pendidikan Agama : I : X Tabel Kode Guru GU005 Senin (01) Selasa (02) I Budi Raka II Cintia III Susi IV Rabu (03) Kamis (04) Jum at (05) Sabtu (06) V Anton Budi f. Kode guru : GU006 : Ari Kode Mata pelajaran : MP006 : Kimia : I : X

20 47 Tabel Kode Guru GU006 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Cintia Susi III Raka IV V g. Kode guru : GU007 : Bernard Kode Mata pelajaran : MP007 : Fisika : I : X I Tabel Kode Guru GU007 Senin (01) Selasa (02) Rabu (03) Kamis (04) II Budi Cintia III IV Anton V Jum at (05) Sabtu (06) h. Kode guru : GU008 : Cici

21 48 Kode Mata pelajaran : MP008 : Komputer : I : X I II Tabel Kode Guru GU008 Senin (01) Selasa (02) Rabu (03) Kamis (04) III Susi Raka IV V Jum at (05) Sabtu (06) i. Kode guru : GU009 : Dwi Kode Mata pelajaran : MP009 : Seni Budaya : I : X Tabel Kode Guru GU009 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I Cintia

22 49 II III IV V Anton Budi j. Kode guru : GU010 : Eli Kode Mata pelajaran : MP010 : Sejarah : I : X Tabel Kode Guru GU010 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Anton III Susi IV Raka V k. Kode guru : GU011 : Fadly Kode Mata pelajaran : MP001 : Matematika

23 50 : III : XI Tabel Kode Guru GU011 I Senin (01) Selasa (02) Rabu (03) II Cintia III Kamis (04) Jum at (05) IV Budi Susi V Sabtu (06) l. Kode guru : GU012 : Gandi Kode Mata pelajaran : MP012 : Bahasa Inggris : III : XI Tabel Kode Guru GU012 I II III IV Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) V Raka Anton Sabtu (06)

24 51 m. Kode guru : GU013 : Kode Mata pelajaran : MP013 : BahasaIndonesia : III : XI I II Tabel Kode Guru GU013 Senin (01) Selasa (02) Rabu (03) Kamis (04) Susi Jum at (05) Sabtu (06) III Budi Cintia Raka IV V n. Kode guru : GU014 : Izul Kode Mata pelajaran : MP014 : Bahasa daerah : III : XI Tabel Kode Guru GU014 Senin Selasa Rabu Kamis Jum at Sabtu

25 52 (01) (02) (03) (04) (05) (06) I II III Anton Budi IV V o. Kode guru : GU015 : Jaja Kode Mata pelajaran : MP015 : Pendidikan Agama : III : XI Tabel Kode Guru GU015 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I Cintia Susi II III IV V p. Kode guru : GU016 : Kenanga Kode Mata pelajaran : MP016

26 53 : Kimia : III : XI I II Tabel Kode Guru GU016 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) III Anton Cintia IV Raka Budi V q. Kode guru : GU017 : Luban Kode Mata pelajaran : MP017 : Fisika : III : XI Tabel Kode Guru GU017 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Raka Susi III

27 54 IV Anton V Budi r. Kode guru : GU018 : Mirna Kode Mata pelajaran : MP018 : komputer : III : XI Tabel Kode Guru GU018 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I Cintia Raka II III Susi IV V s. Kode guru : GU019 : Noni Kode Mata pelajaran : MP019 : Seni Budaya : III

28 55 : XI Tabel Kode Guru GU019 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II III IV V Anton t. Kode guru : GU020 : Oka Kode Mata pelajaran : MP001 : Sejarah : III : XI Tabel Kode Guru GU020 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Cintia III IV V Budi u. Kode guru : GU021

29 56 : Patrick Kode Mata pelajaran : MP021 : Matematika : V : XII Tabel Kode Guru GU021 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Anton III Budi IV Raka V Susi v. Kode guru : GU022 : Qila Kode Mata pelajaran : MP022 : Bahasa Inggris : V : XII Tabel Kode Guru GU022 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I

30 57 II Cinntia III Susi IV V Raka w. Kode guru : GU023 : Rara Kode Mata pelajaran : MP023 : Bahasa Indonesia : V : XII Tabel Kode Guru GU023 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Budi III Anton IV V Cintia x. Kode guru : GU024 : Sandi Kode Mata pelajaran : MP024 : Bahasa Daerah : V

31 58 : XI Tabel Kode Guru GU024 Senin (01) Selasa (02) Rabu (03) Kamis (04) I Susi II III IV V Jum at (05) Sabtu (06) y. Kode guru : GU025 : Tuti Kode Mata pelajaran : MP025 : Pendidikan Agama : I : X Tabel Kode Guru GU025 Senin (01) Selasa (02) Rabu (03) Kamis (04) Jum at (05) Sabtu (06) I II Raka III Anton IV V

32 Pembangkitan Populasi Awal Pada proses pembangkitan populasi awal dilakukan dengan membangkitan populasi penelitian yakni kesiapan guru untuk memberikan materi E-learning pada siswa yang telah diinisialisasi. Populasi awal dibangkitkan secara acak dalam arti setiap kromosom boleh ditampilkan tanpa urutan yang ditentukan dengan tidak memperhatikan kesiapan mengajar, admin tersedia, kesiapan hari dan kesiapan shift. Pembangkitan populasi awal dapat digambarkan dalam tabel berikut: Kode Guru Nama Guru Tabel Pembangkitan Populasi Awal Kode Mapel Mapel Juru san Se me ster Admin Shift GU001 Reza MP001 Matematika OTO 1 Susi Senin I Hakin GU001 Reza MP001 Matematika OTO 1 Raka Selasa I Hakin (2) GU002 Mustika MP002 Bahasa OTO 1 Anton Senin I Rani Inggris GU002 Mustika MP002 Bahasa OTO 1 Budi Senin II Rani Inggris GU002 Mustika MP002 Bahasa OTO 1 Cintia Selasa I Rani Inggris (2) GU002 Mustika MP002 Bahasa OTO 1 Susi Selasa III Rani Inggris (2) GU002 Mustika MP002 Bahasa OTO 1 Raka Kamis II Rani Inggris (4) GU003 Siti MP003 Bahasa OTO 1 Anton Selasa IV Humaira Indonesia (2) GU003 Siti MP003 Bahasa OTO 1 Budi Rabu I Humaira Indonesia (3) GU003 Siti MP003 Bahasa OTO 1 Cintia Rabu III Humaira Indonesia (3) GU003 Siti MP003 Bahasa OTO 1 Susi Kamis II Humaira Indonesia (4) GU003 Siti MP003 Bahasa OTO 1 Raka Sabtu V Humaira Indonesia (6) GU004 Raja MP004 Bahasa OTO 1 Anton Senin I Jamil daerah GU004 Raja MP004 Bahasa OTO 1 Budi Senin III

33 60 Jamil daerah GU004 Raja Jamil MP004 Bahasa daerah OTO 1 Cintia Selasa (2) GU004 Raja MP004 Bahasa OTO 1 Susi Selasa Jamil daerah (2) GU004 Raja MP004 Bahasa OTO 1 Raka Kamis Jamil daerah (4) GU004 Raja MP004 Bahasa OTO 1 Anton Sabtu Jamil daerah (6) GU005 Eka MP005 Pendidikan OTO 1 Budi Senin Dinavia Agama GU005 Eka MP005 Pendidikan OTO 1 Cintia Senin Dinavia Agama GU005 Eka MP005 Pendidikan OTO 1 Susi Senin Dinavia Agama GU005 Eka MP005 Pendidikan OTO 1 Raka Selasa Dinavia Agama (2) GU005 Eka MP005 Pendidikan OTO 1 Anton Rabu Dinavia Agama (3) GU005 Eka MP005 Pendidikan OTO 1 Budi Sabtu Dinavia Agama (6) GU006 Ari MP006 Kimia OTO 1 Cintia Senin GU006 Ari MP006 Kimia OTO 1 Susi Selasa (2) GU006 Ari MP006 Kimia OTO 1 Raka Kamis (4) GU007 Bernard MP007 Fisika OTO 1 Anton Selasa (2) GU007 Bernard MP007 Fisika OTO 1 Budi Rabu (3) GU007 Bernard MP007 Fisika OTO 1 Cintia Kamis (4) GU008 Cici MP008 Komputer OTO 1 Susi Rabu (3) GU008 Cici MP008 Komputer OTO 1 Raka Kamis (4) GU009 Dwi MP009 Seni Budaya OTO 1 Anton Jum at (5) GU009 Dwi MP009 Seni Budaya OTO 1 Budi Jum at (5) GU009 Dwi MP009 Seni Budaya OTO 1 Cintia Sabtu (6) GU010 Eli MP010 Sejarah OTO 1 Susi Selasa (2) GU010 Eli MP010 Sejarah OTO 1 Raka Rabu (3) I III IV IV I II III I V V II II III IV II II III III III IV I III IV

34 61 GU010 Eli MP010 Sejarah OTO 1 Anton Kamis II (4) GU011 Fadly MP001 Matematika OTO III Budi Senin IV GU011 Fadly MP001 Matematika OTO III Cintia Rabu II (3) GU011 Fadly MP001 Matematika OTO III Susi Jumat IV (5) GU012 Gamdi MP002 Bahasa OTO III Raka Senn V Inggris GU012 Gamdi MP002 Bahasa OTO III Anton Jumat V Inggris (5) GU013 MP003 Bahssa OTO III Budi Senin III Indonesia GU013 MP003 Bahssa OTO III Cintia Selasa III Indonesia (2) GU013 MP003 Bahssa OTO III Susi Kamis II Indonesia (4) GU013 MP003 Bahssa OTO III Raka Sabtu III Indonesia (6) GU014 Izul MP004 Bahasa OTO III Anton Selasa III Daerah (2) GU014 Izul MP004 Bahasa OTO III Budi Kamis III Daerah (4) GU015 Jaja MP005 Pendidikan OTO III Cintia Rabu I Agama (3) GU015 Jaja MP005 Pendidikan OTO III Susi Sabtu I Agama (6) GU016 Kenanga MP006 Kimia OTO III Raka Senn IV GU016 Kenanga MP006 Kimia OTO III Anton Selasa III (2) GU016 Kenanga MP006 Kimia OTO III Budi Kamis IV (4) GU016 Kenanga MP006 Kimia OTO III Cintia Sabtu III (6) GU017 Luban MP007 Fisika OTO III Susi Selasa II (2) GU017 Luban MP007 Fisika OTO III Raka Rabu II (3) GU017 Luban MP007 Fisika OTO III Anton Kamis IV (4) GU017 Luban MP007 Fisika OTO III Budi Sabtu V (6) GU018 Mirna MP008 Komputer OTO III Cintia Senin I GU018 Mirna MP008 Komputer OTO III Susi Selasa III

35 62 (2) GU018 Mirna MP008 Komputer OTO III Raka Rabu (3) GU019 Noni MP009 Seni Budaya OTO III Anton Rabu (3) GU020 Oka MP010 Sejarah OTO III Budi Selasa (2) GU020 Oka MP010 Sejarah OTO III Cintia Kamis (4) GU021 Patrick MP001 Matematika OTO V Susi Senin GU021 Patrick MP001 Matematika OTO V Raka Selasa (2) GU021 Patrick MP001 Matematika OTO V Anton Kamis (4) GU021 Patrick MP001 Matematika OTO V Budi Jumat (5) GU022 Qila MP002 Bahasa OTO V Cintia Senin Inggris GU022 Qila MP002 Bahasa OTO V Susi Rabu Inggris (3) GU022 Qila MP002 Bahasa OTO V Raka Sabtu Inggris (6) GU023 Rara MP003 Bahasa OTO V Anton Senin Indonesia GU023 Rara MP003 Bahasa OTO V Budi Rabu Indonesia (3) GU023 Rara MP003 Bahasa OTO V Cintia Rabu Indonesia (3) GU024 Sandi MP004 Bahasa OTO V Susi Kamis daerah (4) GU025 Tuti MP005 Pendidikan OTO V Raka Sabtu Agama (6) GU025 Tuti MP005 Pendidikan Agama OTO V Anton Sabtu (6) I V V II V IV II III II III V III II V I II III Evaluasi Proses selanjutnya setelah pembangkitan awal populasi adalah proses evaluasi, dimana kesiapan guru dalam memberikan materi pada E-learning yang dibangkitkan diatas dievaluasi dengan menjumlahkan kesiapan memberikan materi E-learning guru masing-masing.

36 63 Tabel Evaluasi No Kode Guru Kode Mapel Jumlah Kesiapan 1 GU001 MP GU002 MP GU003 MP GU004 MP GU005 MP GU006 MP GU007 MP GU008 MP GU009 MP GU010 MP GU011 MP GU012 MP GU013 MP GU014 MP GU015 MP GU016 MP GU017 MP GU018 MP GU019 MP GU020 MP GU021 MP GU022 MP GU023 MP GU024 MP GU025 MP005 2

37 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Penelitian Optimasi Query Bahasa query dalam web pembelajaran SMK Barumun adalah sebagai berikut : SELECT * FROM `tb_admin` WHERE hari=1 SELECT * FROM `tb_guru` WHERE hari=1 SELECT * FROM `tb_matapelajaran` WHERE hari=1 SELECT * FROM `tb_siswa` WHERE hari=1 SELECT * FROM `tb_jadwal` WHERE hari=1 SELECT * FROM `tb_porsi` WHERE hari=1 SELECT * FROM `tb_waktu` WHERE hari=1 Query tersebut meminta semua record dari basis data yang sedang digunakan. Optimasi query yang dilakukan dalam web pembelajaran ini adalah sebagai berikut: Query 1: Untuk setiap pembelajaran yang diberikan pada hari senin, diambil id, jam, hari, nama guru, kelas, dan mata pelajaran. Maka dapat digambarkan : Π PId, jam, hari : (σplocation=tb_waktu(project)) Nguru=Nama_guru(tb_guru) Kkelas=kelas(tb_kelas) Persamaan ini mengikuti SQL query berikut: SELECT P.id, N.Nama_guru, K.kelas, N.Jam, N.hari 64

38 65 FROM PROJECT AS P, Nama_guru AS N, AS K WHERE P.id=N.Nama-Guru AND N.hari=K.kelas AND P.Location= tb_waktu Maka Proses Parsing nya adalah sebagai berikut : a. Query tree yang sesuai dengan ekspresi relasi aljabar untuk Optimasi query dilihat pada gambar 4.1 Π P.Pid, N.nama_guru, K.kelas, N.hari, N.jam (3) N.hari=K.kelas σ (2) P.ID=N.namaguru (P) (K) σ P.PLOCATION='tb_waktu' (N) (P) Gambar 4.1 Optimasi Query Tree

39 66 b. Inisial ( Canonical) query tree untuk SQL query pada optimasi ini dilihat pada gambar 4.2 Π P.id, P.nama_guru, K.kelas, N.hari, N.jam σ P.nama_guru=N.nama_guru And K.kelas=N.hari And P.PLocation= tb_waktu X X K P N Gambar 4.2 Inisial Query Tree

40 67 c. Query graph untuk optimasi query ini dapat dilihat gambar 4.3 [P.P.id, P.nama_guru] [N.hari,N.Jam,] (P) (D) (E) P.PLocation= tb_waktu Tb_waktu Gambar 4.3 Query Graph Mutasi Crossover a. M2S (Modified Two Swap) Crossover 1) Seleksi Proses setelah evaluasi adalah melakukan rekombinasi dengan mutasi crossover. Pada metode M2S langkah awal adalah membuat seleksi dimana kesiapan guru dalam memberikan materi pada E-learning SMK akan dilakukan seleksi berdasarkan hari dan shift waktu yang telah ditetapkan. Proses seleksi bertujuan untuk menentukan kesiapan guru mana yang sesuai untuk memberikan materi E- learning pada admin yang tersedia. Seleksi yang penulis gunakan adalah dengan cara mengurutkan kesiapan guru dalam memberikan materi E-lerning menurut nilai objektifnya (banyaknya kesiapan guru). Penerapan untuk contoh dalam proses seleksi diatas, dapat dilihat pada Tabel di bawah ini, yakni seleksi (1,I) : menampilkan semua kesiapan guru dalam

41 68 memberikan materi E-learning dengan hari = senin dan shift = l ( ) yang diurutkan secara naik berdasarkan banyaknya kesiapan guru. Kode Guru Nama Guru Kode Mapel Tabel 4.1 Seleksi M2S Crossover Mapel Juru san Se me ster GU001 Reza Hakin MP001 Matematika OTO 1 Susi Senin GU002 Mustika MP002 Bahasa OTO 1 Anton Senin Rani Inggris GU004 Raja MP004 Bahasa OTO 1 Anton Senin Jamil daerah GU005 Eka MP005 Pendidikan OTO 1 Budi Senin Dinavia Agama GU018 Mirna MP008 Komputer OTO III Cintia Senin Admin Shift Tota l Kesi apan I 2 I 5 I 6 I 6 I 3 2) Mutasi Pada metode M2S crossover, dari proses seleksi diatas, diambil kesiapan guru dalam memberikan materi E-learning sebanyak admin yang tersedia sebagai penginput data dan akan disimpan pada sebuah tabel jadwal. Proses ini menyebabkan populasi (kesiapan guru) terhadap admin berkurang menjadi hanya 5 (lima) dan mengalami rekombinasi. Rekombinasi juga terjadi terhadap proses seleksi untuk hari dan shift berikutnya terhadap kesiapan guru dalam memberikan materi E-learning (seleksi(l,ii) dan seterusnya). Tabel dibawah ini merupakan hasil dari mutasi diatas dimana terjadi kesamaan pemberian materi pada satu admin di hari dan shif yang sama maka dimutasi sehingga terpilih hanya 4 (empat) populasi saja yang terpilih.

42 69 Kode Guru Nama Guru Kode Mapel Tabel 4.2 Jadwal Generasi 1 M2S Crossover Mapel Juru san Se me ster GU001 Reza Hakin MP001 Matematika OTO 1 Susi Senin GU002 Mustika MP002 Bahasa OTO 1 Anton Senin Rani Inggris GU005 Eka MP005 Pendidikan OTO 1 Budi Senin Dinavia Agama GU018 Mirna MP008 Komputer OTO III Cintia Senin Admin Shift Tota l Kesi apan I 2 I 5 I 6 I CHUNK Crossover 1) Seleksi Chunk Pada metode Chunk crossover proses setelah evaluasi adalah melakukan rekombinasi dengan mutasi CHUNK crossover. Pada metode ini langkah awal adalah membuat seleksi dimana kesiapan guru dalam memberikan materi pada E- learning SMK akan dilakukan seleksi berdasarkan hari yang telah ditentukan dan semua shift waktu. Proses seleksi ini juga bertujuan untuk menentukan kesiapan guru mana yang sesuai untuk memberikan materi E-learning pada admin yang tersedia. Penerapan untuk contoh dalam proses seleksi dengan CHUNK crossover, dapat dilihat pada Tabel di bawah ini, yakni seleksi (1,) : menampilkan semua kesiapan guru dalam memberikan materi E-learning dengan hari = senin dan shift = I - V yang diurutkan secara naik berdasarkan banyaknya kesiapan guru.

43 70 Kode Guru Nama Guru Kode Mapel Tabel 4.3 Seleksi CHUNK Crossover Mapel Juru san Se me ster Admin Shift Tota l kesi apan GU001 Reza Hakin MP001 Matematika OTO 1 Susi Senin GU002 Mustika MP002 Bahasa OTO 1 Anton Senin Rani Inggris GU002 Mustika MP002 Bahasa OTO 1 Budi Senin Rani Inggris GU004 Raja MP004 Bahasa OTO 1 Anton Senin Jamil daerah GU004 Raja MP004 Bahasa OTO 1 Budi Senin Jamil daerah GU005 Eka MP005 Pendidikan OTO 1 Budi Senin Dinavia Agama GU005 Eka MP005 Pendidikan OTO 1 Cintia Senin Dinavia Agama GU005 Eka MP005 Pendidikan OTO 1 Susi Senin Dinavia Agama GU006 Ari MP006 Kimia OTO 1 Cintia Senin GU011 Fadly MP001 Matematika OTO III Budi Senin GU012 Gamdi MP002 Bahasa OTO III Raka Senn Inggris GU013 MP003 Bahssa OTO III Budi Senin Indonesia GU016 Kenanga MP006 Kimia OTO III Raka Senn GU018 Mirna MP008 Komputer OTO III Cintia Senin GU021 Patrick MP001 Matematika OTO V Susi Senin GU022 Qila MP002 Bahasa OTO V Cintia Senin Inggris GU023 Rara MP003 Bahasa OTO V Anton Senin Indonesia I 2 I 5 II 5 I 5 III 5 I 6 II 6 III 6 II 3 IV 3 V 2 III 4 IV 4 I 3 V 4 II 3 III 3

44 71 2) Mutasi Chunk crossover Pada metode Chunk crossover, dari proses seleksi diatas, diambil kesiapan guru dalam memberikan materi E-learning kepada admin sebanyak admin yang tersedia sebagai penginput data dan akan disimpan pada sebuah tabel jadwal. Proses ini menyebabkan populasi (kesiapan guru) memebrikan materi kepada admin dari tabel diatas berkurang menjadi 17 (tujug belas) populasi dan mengalami rekombinasi. Rekombinasi juga terjadi terhadap proses seleksi untuk hari dan shift berikutnya terhadap kesiapan guru dalam memberikan materi E-learning (seleksi(l,ii) dan seterusnya). Dalam tabel dibawah ini terlihat proses mutasi dimana kesiapan guru memberikan materi kepada admin dipilih menjadi 13 populasi yang terseleksi di generasi 1. Kode Guru Nama Guru Tabel 4.4 Jadwal Generasi 1 Chunk Crossover Kode Mapel Mapel Juru san Se me ster Admin Shift Tota l kesi apan GU001 Reza Hakin MP001 Matematika OTO 1 Susi Senin GU002 Mustika MP002 Bahasa OTO 1 Anton Senin Rani Inggris GU005 Eka MP005 Pendidikan OTO 1 Budi Senin Dinavia Agama GU018 Mirna MP008 Komputer OTO III Cintia Senin GU002 Mustika MP002 Bahasa OTO 1 Budi Senin Rani Inggris GU005 Eka MP005 Pendidikan OTO 1 Cintia Senin Dinavia Agama GU004 Raja MP004 Bahasa OTO 1 Budi Senin Jamil daerah GU005 Eka MP005 Pendidikan OTO 1 Susi Senin Dinavia Agama GU023 Rara MP003 Bahasa OTO V Anton Senin Indonesia I 2 I 5 I 6 I 3 II 5 II 6 III 5 III 6 III 3

45 72 GU011 Fadly MP001 Matematika OTO III Budi Senin GU016 Kenanga MP006 Kimia OTO III Raka Senn GU012 Gamdi MP002 Bahasa OTO III Raka Senn Inggris GU021 Patrick MP001 Matematika OTO V Susi Senin IV 3 IV 4 V 2 V Pembahasan Hasil Pengujian Sesuai rancangan penelitian yang penulis lakukan dengan menguji hasil optimasi query database dalam web pembelajaran SMK N 1 Barumun dan untuk menganalisa perbandingan antara optimasi dengan metode M2S Crossover dan optimasi dengan metode CHUNK Crossover dengan parameter-parameter sebagai berikut: Ukuran populasi = 50 Maksimum generasi = 100 Probabilitas crossover (Pc) = 10,20,30,40,50 Probabilitas mutasi (Pm) = 7 Dengan hasil pengujian sebagai berikut: Hasil pengujian lengkap perbandingan metode M2S crossover dengan CHUNKs crossover dijelaskan dalam tabel berikut: Probabilitas Crossover Tabel 4.5 Hasil Pengujan M2S Crossover Kromosom yang dibangkitkan Maksimum Generasi Probability Mutasi Fitness , , ,668

46 , ,082 Fitness Rata-rata 1,7308 Probabilitas Crossover Tabel 4.6 Hasil Pengujan CHUNK Crossover Kromosom yang dibangkitkan Maksimum Generasi Probability Mutasi Akumuatif Fitness , , , , ,575 Fitness rata-rata 1,5256 Berdasarkan hasil pengujian pada tabel diatas dapat dilihat bahwa nilai fitness pengujian dengan metode M2S cross over adalah lebih tinggi pada setiap probability crossovernya yakni pada nilai probabilitas 10, 20, 30, 40 dan 50 dibanding dengan CHUNK crossover, dimana masing-masing kromosom yang dibangkitkan 50 dan maksimum generasi 100. Nilai fitness tertinggi pada metode m2s adalalah pada probabilitas 50 dengan nilai fitness 2,082. Sedangkan pada metode CHUNK, nilai fitness tertinggi ada pada probabilitas 30 dengan nilai fitness 1,915. Nilai fitness rata-rata pada probabilitas 10,20,30,40 dan 50 untuk metode M2S adalah 1,7308. Sedangan nilai fitness rata-rata untuk metode CHUNK cross over adalah 1,5256. Sehingga selisih fitness rata-rata metode M2S lebih baik senilai 0,2052 dibanding metode CHUNK Crossover.

47 BAB V PENUTUP 5.1 Kesimpulan Berdasarkan hasil penelitian dan analisa pembahasan yang peneliti lakukan, maka dapat ditarik kesimpulan sebagai berikut: 1. Optimasi query database web E-learning SMK Baramun adalah memindahkan tiap operasi SELECT sejauh mungkin ke bawah query tree selama diperbolehkan oleh attribute-attribute dalam kondisi SELECT 2. Optimasi query database dalam web pembelajaran SMK N 1 Barumun dapat meningkatkan performa aplikasi dengan nilai optimum dan tidak membutuhkan banyak iterasi. 3. Metode terbaik untuk permasalahan optimasi query database web SMK Barumun pada percobaan yang dilakukan antara Metode M2S crossover dengan CHUNK crossover adalah metode M2S crossover dengan nilai fitness yang lebih tinggi dan waktu yang lebih cepat. 5.2 Saran Dari penelitian yang telah dilakukan oleh peneliti, maka saran-saran yang bisa diberikan adalah: 1. Diharapkan setiap database pada web sekolah dilakukan optimasi. 2. Sebaiknya metode optimasi yang digunakan menggunakan metode M2S crossover karena hasilnya lebih baik daripada Chunk crossover 74

48 75 3. Bagi peneliti lain, kiranya dapat dilakukan lagi penelitian sejenis yakni tentang optimasi database dengan metode optimasi lainnya sebagai perbandingan dengan penelitian ini.