ANALISIS KINERJA GREEDY CROSSOVER (GX) PADA ALGORITMA GENETIKA UNTUK ROSTERING TESIS EVA DESIANA

Transkripsi

1 1 ANALISIS KINERJA GREEDY CROSSOVER (GX) PADA ALGORITMA GENETIKA UNTUK ROSTERING TESIS EVA DESIANA PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2016

2 2 ANALISIS KINERJA GREEDY CROSSOVER (GX) PADA ALGORITMA GENETIKA UNTUK ROSTERING TESIS Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika EVA DESIANA PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2016

3 3 PERSETUJUAN Judul : ANALISIS KINERJA GREEDY CROSSOVER (GX) PADA ALGORITMA GENETIKA UNTUK ROSTERING Kategori : TESIS Nama : EVA DESIANA Nomor Induk Mahasiswa : Program Studi : MAGISTER (S-2) TEKNIK INFORMATIKA Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Dr. Erna Budhiarti Nababan, M.IT Prof. Dr. Opim Salim Sitompul Diketahui/Disetujui Oleh Program Studi Magister (S2) Teknik Informatika Ketua. Prof. Dr. Muhammad Zarlis NIP

4 4 PERNYATAAN ANALISIS KINERJA GREEDY CROSSOVER (GX) PADA ALGORITMA GENETIKA UNTUK ROSTERING TESIS Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya. Medan, 01 Agustus 2016 Eva Desiana

5 5 PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai sivitas akademika, saya yang bertanda tangan dibawah ini: Nama : EVA DESIANA NIM : Program Studi : Magister (S2) Teknik Informatika Jenis Karya Ilmiah : Tesis Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Hak Bebas Royalti Non-Ekslusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul: ANALISIS KINERJA GREEDY CROSSOVER (GX) PADA ALGORITMA GENETIKA UNTUK ROSTERING Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non- Ekslusif ini, berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta. Demikian pernyataan ini dibuat dengan sebenarnya. Medan, 01 Agustus 2016 EVA DESIANA

6 6 Telah diuji pada Tanggal: 01 Agustus 2016 PANITIA PENGUJI TESIS Ketua Anggota : Prof. Dr. Opim Salim Sitompul, M.Sc : 1. Dr. Erna Budhiarti Nababan, M.IT 2. Prof. Dr. Muhammad Zarlis, M.Sc 3. Dr. Syahril Efendi, S.Si,M.IT

7 7 RIWAYAT HIDUP DATA PRIBADI Nama Lengkap : EVA DESIANA Tempat dantanggal Lahir : Aek Nabara, 10 Pebruari 1981 Alamat Rumah : Huta III Manik Maraja Kec. Sidamanik Kab. Simalungun Telepon/Fax/HP : -/-/ Instansi Alamat Kantor : evadesiana@yahoo.co.id : SMP Negeri 5 Pematangsiantar : Jl. Cornel Simanjuntak Pematang siantar DATA PENDIDIKAN SD : SD Negeri No Sisumut TAMAT : 1991 SMP : SMP Negeri 2 Kota Pinang TAMAT : 1997 SMA : SMU Negeri 1 Kota Pinang TAMAT : 2000 S1 : Teknik Informatika STMIK Budidarma Medan TAMAT : 2004 S2 : Teknik Informatika TAMAT : 2016

8 8 UCAPAN TERIMA KASIH Puji dan syukur penulis panjatkan Kepada Allah S.W.T. atas limpahan rahmat dan karunia-nya yang berupa pengetahuan, kesehatan dan kesempatan yang diberikan kepada penulis sehingga dapat menyelesaikan tesis ini dengan judul Analisis Kinerja Greedy Crossover (GX) Pada Algoritma Genetika Untuk Rostering. Dalam penyusunan untuk menyelesaikan tesis ini, penulis banyak mendapat pelajaran yang berharga, baik berupa saran maupun nasehat dari berbagai pihak terutama dari dosen pembimbing serta dosen pembanding, sehingga pengerjaan tesis ini dapat diselesaikan dengan baik. Tidak lepas dari dukungan orang tua yang telah banyak memberikan bantuan sehingga penulis dapat sampai pada tahap penyelesaian tesis ini. Untuk itu penulis ingin menyampaikan ucapan terima kasih yang sebesar-besarnya kepada: 1. Bapak Prof. Dr. Runtung Sitepu, M.Hum selaku Rektor Universitas Sumatera Utara. 2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi dan sekaligus sebagai Pembimbing Utama. Terima kasih yang tak terhingga atas semua bimbingan dan arahan yang diberikan, yang telah meluangkan waktu dan perhatiannya hingga selesainya penulisan tesis ini. Semoga Bapak selalu diberi kesehatan dan limpahan rahmat dan karunia dari Allah S.W.T. Amin. 3. Bapak Prof. Dr. Muhammad Zarlis, M.Sc selaku Ketua Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi dan sekaligus sebagai Pembanding dan juga Dosen Penasehat Akademik. Terima kasih yang tak terhingga atas masukan dan saran-saran yang diberikan demi perbaikan tesis ini. 4. Bapak Muhammad Andri Budiman, S.T., M.Comp.Sc, MEM selaku Sekretaris Program Studi Magister (S2) Teknik Informatika USU. 5. Ibu Dr. Erna Budhiarti Nababan, M.IT selaku dosen Pembimbing Anggota yang telah banyak memberikan bimbingan, arahan serta motivasi dengan sabar hingga selesainya tesis ini. Semoga ibu selalu diberikan kesehatan dan atas

9 9 semua kebaikan yang ibu berikan akan mendapatkan imbalan yang sebaikbaiknya dari Allah S.W.T. Amin. 6. Bapak Dr. Syahril Efendi, S.Si, M.IT selaku dosen Pembanding yang telah memberikan masukan dan saran untuk perbaikan dan penyelesaian tesis ini. 7. Bapak/Ibu dosen yang telah memberikan ilmu pengetahuan selama penulis menyelesaikan Program Studi Magister Teknik Informatika, dan seluruh Pegawai Tata Usaha Program Studi S2 TI-USU. 8. Buat kedua orang tua saya Amrul Tanjung dan Nur khaidah Nst. dan mertua saya Surino Edy dan Sutilah, S.Pd.I yang telah banyak memberikan dorongan moril dan selalu mendo akan dengan tiada putus, semoga Allah S.W.T. selalu memberikan kesehatan serta limpahan rahmat dan karunia-nya. 9. Suami tercinta Messye Willy Vamaweka, S.Kom serta kedua anak saya Zazkia Syafira Ifani Vamaweka dan Callula Almira Vamaweka yang selalu memberi semangat dan do a yang tiada putus dan dorongan moril maupun materil kepada saya sehingga dapat menyelesaikan tesis ini dengan baik. 10. Bapak Drs. Mauruddin Sitohang, M.Si selaku Kepala SMP Negeri 5 Pematangsiantar. 11. Seluruh teman-teman guru, staf dan pegawai SMP Negeri 5 Pematangsiantar. 12. Teman-teman KOM-A 2014, Sumarno, Indra Gunawan, Eka Irawan, Herry Siagian, Budi Sibarani, Zikrul Alim,Yunie Cancer, Choeroenisa, Margaretha Yohana, Faisal Hamsal dan teman-teman yang tidak dapat saya sebutkan namanya satu-persatu. Akhir kata penulis berharap semoga karya ilmiah ini dapat bermanfaat bagi semua pihak, khususnya dalam bidang pendidikan. Penulis menyadari bahwa masih ada kekurangan dalam penulisan tesis ini, untuk itu penulis mengharapkan kritik dan saran dari pembaca demi kesempurnaan penelitian selanjutnya. Medan, 01 Agustus 2016 Penulis Eva Desiana

10 10 ABSTRAK Algoritma Genetika merupakan algoritma pencarian heuristik yang sangat baik digunakan dalam menyelesaikan masalah optimasi. Pemilihan operator yang digunakan sangat menentukan keberhasilan algoritma genetika dalam menemukan solusi yang optimal. Salah satu operator yang sangat berperan dalam algoritma genetika adalah operator crossover yang berfungsi untuk menghasilkan kromosom anak. Pada algoritma genetika klasik operator crossover yang biasa digunakan adalah One Point Crossover dan Two Point Crossover, kedua operator crossover ini bekerja dengan pemilihan titik potong yang diambil dengan metode acak (random). Pada penelitian dengan menggunakan jumlah populasi yang besar, metode ini sering menimbulkan efek yang kurang baik berupa konvergensi prematur dalam menemukan solusi yang optimal. Pada penelitian ini metode crossover yang akan dianalisis adalah metode Greedy Crossover (GX) dengan permasalahan yang digunakan adalah rostering mata pelajaran. Pada metode Greedy Crossover kromosom anak diperoleh dengan memeriksa setiap gen yang ada pada setiap kromosom induk dengan kriteria penalty sebagai fungsi kelayakannya. Algoritma genetika akan berhenti jika tidak ditemukan crash/bentrok atau sejumlah generasi maksimum telah tercapai. Dari hasil analisis ditemukan bahwa performance dari metode greedy crossover (GX) lebih baik dibandingkan dengan metode crossover pada algoritma genetika klasik yaitu one point crossover dan two point crossover. Kata Kunci : Greedy Crossover, Algoritma genetika, Rostering

11 11 ANALYSIS OF THE PERFORMANCE OF GREEDY CROSSOVER (GX) GENETIC ALGORITHM FOR ROSTERING ABSTRACT Genetic Algorithm is a heuristic search algorithm is very well used in solving optimization problems. Selection of the operator is used to determine the success of genetic algorithm to find the optimal solution. One operator that was instrumental in the genetic algorithm is a crossover operator that serves to produce a child chromosome. In classical genetic algorithm crossover operator used is One Point Crossover and Two Point Crossover, second crossover operator is working with the selection of cut point taken randomized (random). In research using a large population, these methods often cause adverse effects such as premature convergence in finding the optimal solution. In this study, the crossover method that will be analyzed is the method Greedy Crossover (GX) to the issues that are used are rostering subjects. In the method of Greedy Crossovers chromosome child obtained by examining each of the genes within each chromosome parent with a penalty as a function of their eligibility criteria. Genetic algorithms will stop if there is not found crash/conflicting or maximum number of generations has been reached. From the results of the analysis found that the performance of the method greedy crossover (GX) is better than the method of classical crossover genetic algorithm that is one point crossover and two point crossover. Keywords : Greedy Crossover, Genetic Algorithms, Rostering

12 12 DAFTAR ISI Halaman HALAMAN JUDUL... i PENGESAHAN... ii... PERNYATAAN ORISINALITAS... iii PERSETUJUAN PUBLIKASI... iv PANITIA PENGUJI... v RIWAYAT HIDUP... vi UCAPAN TERIMA KASIH... vii ABSTRAK... ix ABSTRACK... x DAFTAR ISI... xi DAFTAR TABEL... xiii DAFTAR GAMBAR... xv BAB 1 PENDAHULUAN 1.1 Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian... 3 BAB 2 TINJAUAN PUSTAKA 2.1 Pengantar Istilah-istilah dasar dalam algoritma genetika Siklus Algoritma Genetika Struktur Umum Algoritma Genetika Pengkodean dalam Algoritma Genetika Operator dalam Algoritma Genetika Operator Seleksi Operator Crossover Operator Mutasi Kontrol Parameter dalam Algoritma Genetika Probabilitas Persilangan Probabilitas Mutasi Jumlah Individu Jumlah Populasi Greedy Crossover Optimalisasi Rostering Mata Pelajaran Pengertian Optimalisasi Rostering/Penjadwalan Mata Pelajaran Penelitian terdahulu... 20

13 13 BAB 3 METODOLOGI PENELITIAN 3.1 Pengantar Data yang digunakan Prosedur Penyelesaian Masalah Algoritma Sistem Representasi Kromosom Populasi Awal Evaluasi Nilai Fitness Seleksi Crossover One point crossover dan Two point crossover Greedy Crossover Mutasi Kondisi Selesai BAB 4 HASIL DAN PEMBAHASAN 4.1 Pengantar Hasil pengujian untuk 100 generasi Pengujian pertama Pengujian pertama dengan probabilitas mutasi= Pengujian pertama dengan probabilitas mutasi= Pengujian kedua Pengujian kedua dengan probabilitas mutasi= Pengujian kedua dengan probabilitas mutasi= Pengujian ketiga Pengujian ketiga dengan probabilitas mutasi= Pengujian ketiga dengan probabilitas mutasi= Pengaruh jumlah populasi dan probabilitas mutasi terhadap pencapaian global optimum Perbandingan nilai best fitness pada populasi akhir untuk Pm= Perbandingan nilai best fitness pada populasi akhir untuk Pm= Perbandingan nilai total crash/bentrok pada populasi akhir untuk metode greedy crossover Perbandingan nilai total crash/bentrok pada populasi akhir untuk setiap metode crossover BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN... 79

14 14 DAFTAR TABEL Halaman TABEL 2.1. Contoh Crossover Satu Titik TABEL 2.2. Contoh Crossover Dua Titik TABEL 2.3. Contoh Crossover Seragam TABEL 2.4. Contoh Mutasi dalam Pengkodean Biner TABEL 2.5. Contoh Mutasi dalam Pengkodean Permutasi TABEL 2.6. Contoh Mutasi dalam Pengkodean Nilai TABEL 2.7. Penelitian yang Relevan TABEL 3.1. Data Input TABEL 3.2. Data Guru TABEL 3.3. Kode Data Guru TABEL 3.4. Kode Mata pelajaran TABEL 3.5. Kode Hari TABEL 3.6. Kode Jam TABEL 3.7. Kode Ruangan TABEL 3.8. Populasi Awal TABEL 3.9. Aturan Penalty TABEL Evaluasi fitness pada Individu TABEL Evaluasi fitness pada Individu TABEL Evaluasi fitness pada Individu TABEL Evaluasi fitness pada Individu TABEL Seleksi dengan metode Roda Rolet TABEL Individu TABEL Individu TABEL 4.1. Parameter pengujian TABEL 4.2. Parameter pengujian pertama TABEL 4.3. Hasil pengujian pertama untuk Pm=0.1 pada metode greedy crossover TABEL 4.4. Hasil pengujian pertama untuk Pm=0.1 pada metode One point crossover TABEL 4.5. Hasil pengujian pertama untuk Pm=0.1 pada metode Two point crossover TABEL 4.6. Perbandingan rata-rata nilai best fitness pada percobaan pertama Pm= TABEL 4.7. Hasil pengujian pertama untuk Pm=0.05 pada metode Greedy crossover TABEL 4.8. Hasil pengujian pertama untuk Pm=0.05 pada metode One point crossover TABEL 4.9. Hasil pengujian pertama untuk Pm=0.05 pada metode Two point crossover TABEL Perbandingan rata-rata nilai best fitness pada percobaan pertama Pm= TABEL Parameter pengujian kedua... 60

15 15 TABEL Hasil pengujian kedua untuk Pm=0.1 pada metode Greedy crossover TABEL Hasil pengujian kedua untuk dan Pm=0.1 pada metode One Point crossover TABEL Hasil pengujian kedua untuk dan Pm=0.1 pada metode Two Point crossover TABEL Perbandingan rata-rata nilai best fitness pada percobaan kedua Pm= TABEL Hasil pengujian kedua untuk Pm=0.05 pada metode Greedy crossover TABEL Hasil pengujian kedua untuk Pm=0.05 pada metode One point crossover TABEL Hasil pengujian kedua untuk Pm=0.05 pada metode Two Point crossover TABEL Perbandingan rata-rata nilai best fitness pada percobaan kedua Pm= TABEL Parameter pengujian ketiga TABEL Hasil pengujian ketiga untuk Pm=0.1 pada metode Greedy crossover TABEL Hasil pengujian ketiga untuk Pm=0.1 pada metode One point crossover TABEL Hasil pengujian ketiga untuk Pm=0.1 pada metode Two point crossover TABEL Perbandingan rata-rata nilai best fitness pada percobaan ketiga Pm= TABEL Hasil pengujian ketiga untuk Pm=0.05 pada metode Greedy crossover TABEL Hasil pengujian ketiga untuk Pm=0.05 pada metode One point crossover TABEL Hasil pengujian ketiga untuk Pm=0.05 pada metode Two point crossover TABEL Perbandingan rata-rata nilai best fitness pada percobaan ketiga Pm= TABEL Perbandingan nilai best fitness pada populasi akhir untuk Pm= TABEL Perbandingan nilai best fitness pada populasi akhir untuk Pm= TABEL Perbandingan nilai total crash pada metode greedy crossover TABEL Perbandingan nilai total crash pada populasi akhir... 73

16 16 DAFTAR GAMBAR Halaman GAMBAR 2.1. Siklus Algoritma Genetika oleh David Golberg... 6 GAMBAR 2.2. Siklus Algoritma Genetika Hasil Perbaikan yang Diperkenalkan oleh Zbigniew Michalewicz... 6 GAMBAR 2.3. Diagram Alir Algoritma Genetika... 7 GAMBAR 3.1. Roster Mata Pelajaran GAMBAR 3.2. Prosedur Penyelesaian Masalah GAMBAR 3.3. Algoritma Sistem GAMBAR 3.4. Illustrasi Pengkodean Kromosom GAMBAR 3.5. Illustrasi proses one point crossover GAMBAR 3.6. Illustrasi proses two point crossover GAMBAR 3.7. Flowchart Greedy Crossover GAMBAR 3.8. GX pada Step GAMBAR 3.9. GX pada Step GAMBAR GX pada Step GAMBAR GX pada Step GAMBAR GX pada Step GAMBAR GX pada Step GAMBAR 4.1. Grafik p erbandingan nilai best fitness pada populasi akhir Untuk Pm= GAMBAR 4.2. Grafik perbandingan nilai best fitness pada populasi akhir Untuk Pm= GAMBAR 4.3. Grafik perbandingan nilai total crash pada populasi akhir untuk Metode Greedy Crossover GAMBAR 4.4. Grafik perbandingan nilai total crash pada populasi akhir untuk Seluruh metode crossover... 74