BAB III METODE PENELITIAN

Transkripsi

1 digilib.uns.ac.id BAB III METODE PENELITIAN Penelitian ini sebelumnya diawali oleh pengumpulan litelatur dan pengumpulan data. Pengumpulan literatur merupakan pengumpulan bahan-bahan seperti jurnal, buku, papper, penelitian, makalah dan informasi lainnya yang membahas tentang penjadwalan mata kuliah di universitas, algoritma genetika dan algoritma Palgunadi. Pengumpulan data dilakukan dengan mengumpukan data-data yang dibutuhkan untuk melakukan penelitian dan akan berperan sebagai data yang nantinya diolah untuk diimplementasi. Data-data yang dibutuhkan antara lain data mata kuliah, dosen, kelas, mahasiswa, ruangan, jadwal, waktu kuliah, dan batasanbatasan penjadwalan. Setelah semua bahan litelatur dan data telah didapatkan penelitian ini dimulai dengan melakukan beberapa tahap yaitu: 3.1 Pemodelan Data Memodelkan data yang telah didapatkan menjadi model data yang terstruktur agar lebih mudah dipahami serta mengurangi data-data yang tidak perlu untuk digunakan. Pada tahap ini akan dibuat variabel-variabel dan skema objek penjadwalan secara umum. Variable-variabel penjadwalan ini secara garis besar dapat didefinisikan sebagai berikut: Dosen, merupakan set dari dosen D = {d1, d2,, dn} Kelas, merupakan set dari kelas K = {k1, k2,, kn}. Kelas terdiri dari sejumlah mahasiswa. Telah ditentukan bahwa mahasiswa telah dikelompokan dalam kelas, sehingga kelas bersifat disjoint berarti tidak ada mahasiswa yang sama dalam beberapa kelas. Mata kuliah, merupakan set dari mata kuliah M = {m1, m2, m3,, mn}. Timeslots, merupakan set dari timeslots T = {t1, t2,, tn}. Timeslots merupakan interval waktu dimana perkuliahan akan dilakukan. Timeslots memiliki waktu mulai dan waktu akhir. Elemen dari set timeslots memiliki bentuk <hari><jam> seperti senin1, senin2,, jumat10.

2 digilib.uns.ac.id 32 Ruangan, merupakan set dari ruangan R = {r1, r2,, rn}. Kegiatan Perkuliahan, merupakan set dari kegiatan perkuliahan (event) E = {e1, e2,, en}. Kegiatan perkuliahan memiliki atribut: Mata kuliah yang diajarkan, M_E = {m} Dosen yang mengajar di mata kuliah, set dari D_E = {d1, d2,, dn} Kelas yang diajar di mata kuliah, set dari K_E = {k1, k2,, kn} Total durasi timeslot dala sebuah perkuliahan, Dur_E = {dur } Ruangan Timeslots, set dari ruangan-timeslots dengan alasan untuk mempersimpel proses pencarian. RxT = {rxt1, rxt2,, rxtn}, memiliki atribut Ruangan, R_RxT = {r} Waktu timeslot, T_RxT = {t} Jadwal, set dari jadwal, Merupakan gabungan dari ruangan timeslot dengan event. J = {r1t1e1, r1t2e1, r2t1e2,, rntnen} Dari variabel tersebut dapat dipetakan kedalam skema sederhana seperti Gambar 3.1. Kelas Durasi Ruangan Dosen Event Jadwal Ruangan Timeslots Matakuliah Timeslot Gambar 3.1. Skema penjadwalan 3.2 Implementasi Perancangan Algoritma Palgunadi Pada dasarnya algoritma Palgunadi dirancang dalam masalah penjadwalan klasik dengan hanya menggunakan batasan kaku. Karena pada kasus ini terdapat dua jenis batasan yaitu batasan kaku dan batasan lunak maka perlu dilakukan penyesuaian algoritma Palgunadi agar dapat bekerja pada dua jenis batasan tersebut. Penyesuaian ini membuat proses algoritma Palgunadi dibagi menjadi dua

3 digilib.uns.ac.id 33 tahap. Tahap pertama adalah pengalokasian jadwal dengan pengecekan batasan kaku dan batasan lunak. Tahap kedua dilakukan jika matriks ANS memiliki nilai (terdapat mata kuliah yang tidak terjadwal), maka mata kuliah pada matriks ANS akan dijadwalkan dengan pengecekan batasan kaku saja. Jika matriks ANS masih memiliki nilai maka penjadwalan dinyatakan gagal. Diagram alur untuk algoritma Palgunadi terdapat pada gambar 3.2.

4 digilib.uns.ac.id 34 START INPUT DATA INISIALISASI MATRIKS URUTKAN EVENT BERDASARKAN PRIORITAS MAKUL WAJIB - PILIHAN URUTKAN RxT BERDASARKAN WAKTU UNTUK SETIAP EVENT PILIH RxT TEORI SECARA URUT JIKA EVENT TEORI? PILIH RxT PRAKTEK SECARA URUT CHECK PELANGGARAN CONSTRAINTS MASIH ADA SISA RtX MELANGGAR EVENT DIJADWALKAN DENGAN PENGECEKAN HARD CONSTRAINT SAJA MASUKAN KE JADWAL MASIH ADA EVENT BLM TERJADWAL? TERJADWAL? BUAT JADWAL GAGAL END Gambar 3.2. Diagram alur Algoritma Palgunadi

5 digilib.uns.ac.id Perancangan Algoritma Genetika Biasa Tahap-tahap yang dilakukan adalah: Pengkodeam kromosom Mengacu kepada skema yang telah dibuat sebelumnya, pada algoritma genetika ini kromosom direpresentasikan dengan menggunakan enkoding nilai. Terdapat sebuah vector berupa list dari setiap Event yang memiliki nilai id posisi Ruangan-Tiemeslots jam pertamanya. Selain itu terdapat sebuah vector berupa list dari setiap Ruangan-Timeslots yang memiliki nilai berupa list id Event yang dialokasikan di Ruangan-Timeslots tersebut. Representasi kromosom dapat dilihat pada Gambar 3.4 dan contoh bentuk kromosom yang telah diprint sebagai array dapat dilihat pada Gambar 3.5. e2 e2 e1 e1 e1 e13 e13 e3 R1T1 R1T2 R1T R2T7 R2T8 R2T R16T5 R16T RnTn Event-1 Event-2 Event Event Event-n R1T1 R1T2 R16T5 R2T8 RnTn Gambar 3.4. Representasi Kromosom

6 digilib.uns.ac.id Inisialisasi Kromosom Gambar 3.5 Contoh Kromosom Inisialisasi kromosom pada tahap ini dilakukan dengan menggenerate nilai RxT random untuk setiap event pada kromosom, lalu membentuk struktur tambahan setiap RxT diberi nilai event Penentuan fungsi evaluasi Setelah sejumlah populasi telah dibentuk, setiap populasi akan dievaluasi untuk mengetahui nilai fitnessnya. Evaluasi ditentukan berdasarkan batasan kaku(hard constraints) dan batasan lunak (soft constraints) yang telah dijelaskan sebelumnya. Setiap batasan kaku memiliki nilai poin 2 dan setiap batasan lunak memiliki nilai poin 1, sehingga untuk evaluasi fitnes dapat dirumuskan sebagai: fitness = Bk + Bl Bkmax + Blmax Keterangan: Bk = Nilai batasan kaku Bl = Nilai batasan lunak Bkmax = Nilai batasan kaku maksimal Blmax = Nilai batasan lunak maksimal Seleksi Seleksi dilakukan untuk memilih beberapa pasang kromosom yang dijadikan induk atau sebagai orang tua untuk sejumlah n anak berikutnya yang akan menggantikan individu dalam populasi pada setiap generasi. Pemilihan pasangan kromosom dilakukan dengan menggunakan seleksi tournament. Pada

7 digilib.uns.ac.id 37 metode seleksi dengan turnamen ini akan ditetapkan dua buah individu yang dipilh secara acak (random) dari suatu populasi. Individu yang terbaik dalam kelompok ini akan diseleksi sebagai induk pertama, demikian juga untuk pemilihan induk kedua Crossover Setelah dua kromosom induk selesai dipilih, langkah berikutnya adalah melakukan rekombinasi yaitu penyilangan (crossover) terhadap pasangan kromosom. Penyilangan akan menukar informasi genetik antara dua kromosom induk yang terpilih dari proses seleksi untuk membentuk sebuah kromosom anak. Crossover dilakukan dengan menggunakan crossover satu titik. Dimana dicari titik potong sebuah kromosom, potongan kromosom pertama berasal dari induk 1, dan sisa kromosom diambil dari induk Mutasi Anak hasil crossover sebelum dilepaskan ke populasi memiliki kemungkinan untuk terjadinya mutasi. Pada proses mutasi ini dilakukan perubahan nilai pada beberapa gen untuk menggenerate nilai RxT barunya Pergantian kromosom Pada tahap ini kromosom anak hasil crossover dan mutasi akan menggantikan posisi kromosom yang lama untuk membentuk sebuah populasi baru dengan ukuran yang sama. Pada prosedur pergantian ini diterapkan konsep elitism yang memastikan kromosom dengan fitness tertinggi tidak tersingkirkan dalam populasi. Diagram alur algoritma genetika ini dapat dilihat pada Gambar 3.3.

8 digilib.uns.ac.id 38 START DATA INPUT PEMBUATAN KROMOSOM INISIALISASI EVALUASI FITNESS == 0? SELEKSI CROSSOVER AMBIL KROMOSOM DENGAN BEST FITNESS MUTASI MEMBUAT JADWAL REPLACE DENGAN ELITISM FITNESS == 0? END EVALUASI Gambar 3.3. Diagram alur algoritma genetika Perancangan Algoritma Kombinasi Pada kombinasi ini konsep yang ingin diterapkan adalah pengeleminasian batasan kaku pada setiap proses heuristik algoritma genetika dengan menggunakan algoritma palgunadi. Perbedaan kombinasi ini dengan algoritma genetika biasa terletak pada proses inisialisasi, crossover, dan mutasi. Proses ini memastikan

9 digilib.uns.ac.id 39 kromosom yang dibentuk pada setiap proses inisialisasi, crossover, mutasi tidak melanggar batasan kaku, sehingga yang dilakukan oleh algoritma genetika adalah meminimalkan pelanggaran batasan lunaknya Inisialisasi Kromosom Inisialisasi kromosom pada tahap ini dilakukan dengan menggunakan prinsip algoritma Palgunadi namun constraint yang dicek hanya berupa batasan kaku dan RxT dipilih secara random. Untuk setiap Event diberikan sebuah nilai yang berupa kode RxT, lalu pada struktur tambahan setiap RxT sejumlah n durasi dari Event ditempatkan Eventnya. Proses inisialisasi dijelaskan pada diagram alur Gambar 3.4.

10 digilib.uns.ac.id 40 START INPUT DATA INISIALISASI MATRIKS URUTKAN EVENT BERDASARKAN PRIORITAS MAKUL WAJIB - PILIHAN ACAK RxT UNTUK SETIAP EVENT PILIH RxT TEORI JIKA EVENT TEORI? PILIH RxT PRAKTEK CHECK PELANGGARAN HARD CONSTRAINTS MASIH ADA SISA RtX MELANGGAR GAGAL, BUAT ULANG KROMOSOM MASUKAN KE KROMOSOM MASIH ADA EVENT BLM TERJADWAL? BUAT KROMOSOM END Gambar 3.4. Diagram Alur Proses Inisialisasi Kromosom

11 digilib.uns.ac.id Crossover Crossover dilakukan dengan menggunakan crossover satu titik. Dimana dicari titik potong sebuah kromosom, potongan kromosom pertama berasal dari induk 1, dan sisa kromosom diambil dari induk 2 dengan dilakukan sebuah fungsi untuk mengecek pelanggaran batasan kaku. Jika terdapat pelanggaran batasan kaku, maka dilakukan perbaikan bertahap. Perbaikan ini terdiri dari dua tahap yaitu repair 1(R1), dan repair 2(R2). R1 mengganti nilai gen yang melanggar batasan kaku dengan nilai baru yang tidak melanggar. R2 menukar nilai gen yang melanggar batasan kaku dengan nilai pada gen lain sehingga tidak melanggar. Jika sebuah kromosom induk 2 melanggar hard constraint maka tahap selanjutnya yang dilakukan adalah R1 jika R1 tidak dapat memperbaiki kromosom, maka dilakukan tahap R2. Jika kedua tahap R1 dan R2 tidak bisa memperbaiki kromosom, maka kromosom anak dibuang. Proses crossover dijelaskan pada diagram alur Gambar 3.5.

12 digilib.uns.ac.id 42 START PILIH TITIK POTONG KROMOSOM KOPI GEN DARI ORTU 1 GENERATE GEN URUT DARI RtX MELANGGAR HC AMBIL GEN BERIKUTNYA DARI ORTU 2 MELANGGAR HC MASUKAN GEN KE ANAK KOPI GEN DARI ORTU 2 KE ANAK ANAK MASIH KEKURANGAN GEN? MASIH ADA PILIHAN RxT PILIH RANDOM GEN DARI ANAK LAKUKAN SWAP GEN SWAP RxT nya DENGAN GEN BARU MELANGGAR HC PROSSES CROSS OVER SELESAI PROSES CROSSOVER DIBATALKAN END Gambar 3.5 Diagram Alur Proses Crossover Algoritma Kombinasi Mutasi Anak hasil crossover sebelum dilepaskan ke populasi memiliki kemungkinan untuk terjadinya mutasi. Pada proses mutasi ini pergantian nilai pada setiap gen dilakukan dengan sebuah proses pengecekan pelanggaran batasan kaku jika melanggar maka akan dicari nilai baru yang tidak melanggar hard consrtraint, proses ini dilakukan hingga didapat kromosom yang tidak melanggar batasan kaku. Proses mutasi dijelaskan pada diagram alur Gambar 3.6.

13 digilib.uns.ac.id 43 START AMBIL SECARA RANDOM TITIK MUTASI GEN PADA TITIK MUTASI DI HAPUS, GEN-X ACAK RxT UNTUK SETIAP EVENT PILIH RxT TEORI JIKA EVENT TEORI? PILIH RxT PRAKTEK CHECK PELANGGARAN HARD CONSTRAINTS MASIH ADA SISA RtX MELANGGAR GAGAL, CARI TITIK LAIN MASUKAN KE GEN-X BUAT KROMOSOM END Gambar 3.6 Diagram Alur Proses Mutasi Algoritma Kombinasi

14 digilib.uns.ac.id Pengujian Pada tahap ini dilakukan pengujian terhadap kombinasi algoritma genetika dengan algoritma Palgunadi. Sebagai perbandingan dari algoritma yang diusulkan tersebut, dilakukan pula pengujian terhadap algoritma Palgunadi dan algoritma genetika biasa. Pengujian dilakukan dengan menggunakan data jadwal jurusan informatika dan fisika semester genap periode februari-juli 2013 Universitas Sebelas Maret dengan total 9 kelas mahasiswa, 59 mata kuliah, 107 perkuliahan, 17 ruangan, 5 hari kuliah, dan 10 jam kuliah. Inputan berupa list event (Lapiran B), list ruangan (Lampiran C), dengan 5 hari kuliah dan 10 jam kuliah. Algoritma yang diuji adalah algoritma Palgunadi, algoritma genetika dan kombinasi algoritma genetika dengan algoritma Palgunadi. Parameter yang diuji adalah: Total waktu proses Jumlah pelanggaran pada batasan kaku Jumlah pelanggaran pada batasan lunak Khusus untuk algoritma genetika dan hibdridasi algoritma genetika terdapat beberapa setting pengujian yaitu: Populasi maksimum: 10 populasi dan 20 populasi Kromosom yang diganti pada setiap generasi: 5(10 populasi) dan10(20 populasi) Kromosom elitism: 5 Kemungkinan terjadi crossover: 0,7 Kemungkinan terjadi mutasi: 0,3 Setting kemungkinan terjadi crossover 0,7 dan kemungkinan terjadi mutasi 0,3 diambil dari hasil percobaan kombinasi setting crossover (70, 80, 90) dengan kemungkinan mutasi (10, 20, 30) yang memiliki fitness terbaik (Lampiran A). Pengujian dilakukan dengan menggunakan Laptop ASUS K43U dengan processor AMD E-450 (2 CPUs) ~1.6 GHz, dan RAM tersedia 1.6 GB.