PENGGABUNGAN ALGORITMA GENETIKA DENGAN TABU SEARCH UNTUK PENGEMBANGAN METODE PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET SURAKARTA SKRIPSI

Transkripsi

1 PENGGABUNGAN ALGORITMA GENETIKA DENGAN TABU SEARCH UNTUK PENGEMBANGAN METODE PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET SURAKARTA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun oleh : Ahmad Miftah Fajrin NIM. M JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 2015 i

2 ii

3 iii

4 MOTTO Lakukanlah kebaikan tanpa mengharapkan kembali (Penulis) Without action, you aren t going anywhere. (Mahatma Gandhi) iv

5 PERSEMBAHAN Karya ini Penulis persembahkan kepada: Ayah, Ibu, Adik, dan seluruh keluarga besar. Teman-teman Informatika 2010 khususnya Ashar, Aji, Yusuf, Hedik, Cerren, Adit, Taufik, Viko, April, Lydia, Dian v

6 KATA PENGANTAR Segala puji dan syukur penulis ucapkan kepada Allah SWT, yang hanya karena rahmat dan karunia-nya, penulis dapat menyelesaikan Tugas Akhir dengan judul Penggabungan Algoritma Genetika dengan Tabu Search untuk Pengembangan Metode Penjadwalan Mata Kuliah di Universitas Sebelas Maret Surakarta. Penulis menyadari akan keterbatasan yang dimiliki. Begitu banyak bantuan dan bimbingan yang diberikan dalam penyusunan Tugas Akhir ini. Oleh karena itu, penulis mengucapkan terima kasih kepada : 1. Bapak Drs. Bambang Harjito, M.App.Sc., Ph.D. selaku Ketua Jurusan Informatika FMIPA UNS sekaligus sebagai anggota penguji yang telah memberikan masukan, kritik dan saran yang membangun, 2. Bapak Antonius Bima Murti Wijaya S.T.,M.T. Selaku Dosen Pembimbing I yang telah memberikan pengarahan selama proses penyusunan Tugas Akhir ini, 3. Bapak Abdul Aziz, S.Kom, M.Cs. selaku Dosen Pembimbing II yang telah memberikan masukan, kritik dan saran yang membangun, 4. Bapak Drs. YS. Palgunadi, M.Sc. sebagai anggota penguji yang telah memberikan masukan, kritik dan saran yang membangun 5. Ayah, ibu, dan adik-adikku yang senantiasa memberikan dukungan dan motivasi, 6. Teman-teman yang senantiasa selalu berbagi pengetahuan, pengalaman, dan memberikan dukungan dan motivasi. Semoga Tugas Akhir ini bermanfaat bagi semua pihak yang berkepentingan. Surakarta, Januari 2015 Penulis vi

7 THE MERGER OF GENETIC ALGORITHM WITH TABU SEARCH ALGORITHM FOR DEVELOPMENT OF COURSE TIMETABLING METHOD AT SEBELAS MARET UNIVERSITY Ahmad Miftah Fajrin Jurusan Informatika. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sebelas Maret ABSTRACT University course timetabling is often to be critical concern for most education institution. Sebelas Maret University (UNS) has developed a computerized sxystem for a timetabling problem using simple additive weighting algorithm. However, there are some study programs do not satisfied of the result because there are many soft constraint are violated. The purpose of this research is to develop the course timetabling algorithm by combining the genetic algorithm and tabu search algorithm. Genetic Algorithm has the power of a good exploitation to produce a visible solution meanwhile tabu search can increase the power of searching in genetic algorithm and reduce the possibility of trapped in local optimum The combining of genetic algorithm with tabu search can decrease the fitness by 47% for the smallest dataset and 21.3% for the biggest dataset compared by simple additive weighting algorithm. The merge of genetic algorithm with tabu search method can be used for the development of course timetabling method at UNS. Kata Kunci Development of Course Timetabling Method, Genetic Algorithm, Tabu search. vii

8 PENGGABUNGAN ALGORITMA GENETIKA DENGAN TABU SEARCH UNTUK PENGEMBANGAN METODE PENJADWALAN MATA KULIAH DI UNIVERSITAS SEBELAS MARET SURAKARTA Ahmad Miftah Fajrin Jurusan Informatika. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sebelas Maret ABSTRAK Penjadwalan mata kuliah sering menjadi bahan perhatian penting bagi setiap organisasi atau institusi khususnya bagian pendidikan di universitas. Universitas Sebelas Maret (UNS) telah membangun sistem komputerisasi untuk menyelesaikan masalah penjadwalan mata kuliah menggunakan algoritma simpe additive weighting. Akan tetapi, dibeberapa prodi masih ada yang kurang puas karena banyak soft constraint yang dilanggar. Tujuan dari penelitian ini adalah mengembangkan algoritma penjadwalan mata kuliah dengan menggabungkan algoritma genetika dengan tabu search. Algoritma genetika mempunyai kekuatan exploitation atau pencarian yang baik sehingga menghasilkan solusi yang layak dan algoritma tabu search akan meningkatkan kekuatan pencarian di algoritma genetika sehingga dapat mengurangi kemungkinan terjebak di local optimum. Penggabungan algoritma genetika dengan tabu search dapat menurunkan nilai fitness sebesar 47% untuk dataset yang jumlahnya paling kecil dan 21.3% untuk dataset yang jumlahnya paling besar dibandingkan dengan algoritma simple additive weighting. Secara umum metode penggabungan algoritma genetika dengan tabu search dapat digunakan untuk pengembangan metode penjadwalan mata kuliah di UNS. Kata Kunci Pengembangan Metode Penjadwalan Mata Kuliah, Algoritma genetika, Tabu search. viii

9 DAFTAR ISI HALAMAN JUDUL... i HALAMAN PERSETUJUAN... Error! Bookmark not defined. HALAMAN PENGESAHAN... Error! Bookmark not defined. MOTTO... iv PERSEMBAHAN... v KATA PENGANTAR... vi ABSTRACT... vii ABSTRAK... viii DAFTAR ISI... ix DAFTAR TABEL... xii DAFTAR GAMBAR... xiii DAFTAR LAMPIRAN... xiv BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian Sistematika Penulisan... 4 BAB II LANDASAN TEORI Landasan Teori Penjadwalan Mata Kuliah Algoritma Simple Additive Weighting Algoritma Genetika Chromosom Representation Initial Population Evaluate Fitness Selection Crossover Mutation ix

10 Elitism Tabu Search Hybrid Algoritma Genetika Penelitian Terkait Rangkuman Hasil Penelitian Terdahulu BAB III METODOLOGI PENELITIAN Penentuan Constraint Hard Constraint Soft Constraint Penentuan Nilai Pinalti Desain Constraint Desain Algoritma Genetika Desain Algoritma Genetika dengan Tabu Search Implementasi Pengujian Pengujian Constraint Pengujian Algoritma BAB IV HASIL DAN PEMBAHASAN Tahap Pembahasan Desain Algoritma Genetika Chromomosom Representation Initial Population Evaluate Fitness Selection Crossover Mutation Elitsm Desain Penggabungan Algoritma Genetika dengan Tabu Search Tahap Hasil Pengujian Constraint Visualisasi Algoritma Analisis Empiris x

11 Perbandingan Metode Analisis Hasil Perbandingan BAB V KESIMPULAN DAN SARAN Kesimpulan Saran BAB VI DAFTAR PUSTAKA xi

12 DAFTAR TABEL Tabel 3.1 Hard Constraint Tabel 3.2 Soft Constraint Tabel 4.1 Mata Kuliah Penawaran S1 Informatika Tabel 4.2 Chromosom Tabel 4.3 Chromosom Tabel 4.4 Chromosom Tabel 4.5 Chromosom Tabel 4.6 Chromosom hasil seleksi Tabel 4.7 Susunan Parent Tabel 4.8 Susunan Parent Tabel 4.9 Susunan Offerspring Tabel 4.10 Susunan Offerspring Baru Tabel 4.11 Solusi Awal Tabu Search Tabel 4.12 Susunan Tabulist Tabel 4.13 Hasil Neighbourhood Tabel 4.14 Hasil Tabulist Baru Tabel 4.15 Hasil Akhir Gabungan Algoritma Genetika dengan Tabu Search Tabel 4.16 Perbandingan Nilai Fitness di Prodi S1 Informatika Tabel 4.17 Hasil Perbandingan Waktu Eksekusi dalam (s) di Jurusan S1 Informatika Tabel 4.18 Hasil Perbandingan Nilai Fitness di Prodi D3 Teknik Informatika Tabel 4.19 Hasil Perbandingan Waktu Eksekusi dalam (s) di Prodi D3 Teknik Informatika Tabel 4.20 Hasil Perbandingan Nilai Fitness di Prodi S1 Hukum Tabel 4.21 Perbandingan Waktu Eksekusi dalam (s) di Prodi S1 Hukum Tabel 4.22 Perbandingan Fitness dan Waktu di Prodi S1 Informatika, D3 Informatika, S1 Hukum xii

13 DAFTAR GAMBAR Gambar 2.1 General Pseudo-code Algoritma Genetika... 8 Gambar 2.2 Pseudo-code Initial Population using Population Reduction Method 10 Gambar 2.3 Pseudo-code Evaluate Fitness Gambar 2.4 Pseudo Code Tournament Selection Gambar 2.5 Pseudo-code Uniform Crossover Gambar 2.6 Pseudo-code VDM Gambar 2.7 Pseudo-code Tabu Search Gambar 2.8 General Pseudo-code of Hybrid Genetic Algorithms Gambar 3.1 Diagram Metodologi Penelitian Gambar 3.2 Pseudo-code Modified Algoritma Genetika Gambar 3.3 Pseudo-code Gabungan Algoritma Genetika dengan Tabu Search.. 24 Gambar 4.1 Hasil Bilangan Random Offerspring Gambar 4.2 Proses Memasukkan Gen dari Parent 1 ke Offerspring Gambar 4.3 Proses Memasukkan Gen dari Parent 2 ke Offerspring Gambar 4.4 Proses N Gambar 4.5 Hasil acak Makul Penawaran Pertama Gambar 4.6 Hasil acak Makul Penawaran Kedua Gambar 4.7 Hasil tukar ruang dan waktu N Gambar 4.8 Grafik perbandingan fitness setiap generasi di Algoritma Genetika, Gabungan Algoritma Genetika dengan Tabu Search, dan Algoritma Simple additive weighting xiii

14 DAFTAR LAMPIRAN Lampiran A Lampiran B Lampiran C xiv