OPTIMASI PENJADWALAN MATA KULIAH DI JURUSAN TEKNIK INFORMATIKA PENS DENGAN MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)

OPTIMASI PENJADWALAN MATA KULIAH DI JURUSAN TEKNIK INFORMATIKA PENS DENGAN MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Dan Aran, Arna Fahrza,S.Kom,M.Kom, Ira Prasetyanngrum,S.S,M.T 3 Mahasswa Jurusan Ten Informata, Dosen Pembmbng, Dosen Pembmbng 3 Polten Eletrona Neger Surabaya Insttut Tenolog Sepuluh Nopember Kampus PENS-ITS Keputh Suollo Surabaya 6 Telp (+6)3-59478, 59464, Fax. (+6)3-59464 Emal : aran_ss@yahoo.com ABSTRAK D perguruan tngg, program penjadwalan merupaan salah satu hal pentng dalam proses belajar mengajar, arena semua egatan dosen dan mahasswa bergantung pada jadwal yang ada, sehngga harus dsusun dengan benar dan dperba pada awal tahun aadem, sehngga nantnya tda mengganggu atftas belajar mengajar antar dosen dan mahasswa. Untu menyelesaan masalah tersebut dalam tugas ahr n dgunaan algortma Partcle Swarm Optmzed (PSO) utnu melauan optmas pada jadwal ulah. Karena algortma PSO meml tool-tool yang cuup handal dengan penggunaan yang cuup mudah. Tugas Ahr n n bertujuan untu membuat suatu sstem omputas untu menggantan penjadwalan secara manual, dan hasl ahrnya dharapan dapat mengatur jam mengajar dosen dan juga jadwal perulahan mahasswa, sehngga menghndar adanya bentroan jadwal Kata unc : Partcle Swarm Optmzaton, PSO, penjadwalan. PENDAHULUAN. Latar Belaang D perguruan tngg, program penjadwalan merupaan salah satu hal pentng dalam proses belajar mengajar, arena semua egatan dosen dan mahasswa bergantung pada jadwal yang ada, sehngga harus dsusun dengan benar dan dperba pada awal tahun aadem, sehngga nantnya tda mengganggu atftas belajar mengajar antar dosen dan mahasswa. Selama n penjadwalan mata ulah d Polten Eletrona Neger Surabaya (PENS) mash dlauan secara manual, sedangan untu membag dosen sesua dengan bdang mata ulahnya dan watu tertentu dperluan pengaturan yang cuup rumt. Oleh arena tu dalam tugas ahr n dbuat suatu sstem omputas yang dapat menggantan cara manual tersebut dan dapat menghaslan hasl yang lebh bagus dan watu yang lebh sngat, hanya dengan memberan parameter nput yang dbutuhan, dapat menghaslan output penjadwalan mata ulah yang dngnan. Untu menyelesaan masalah tersebut dgunaan algortma Partcle Swarm Optmzed (PSO) arena algortma PSO meml tool-tool yang cuup handal dengan penggunaan yang cuup mudah. Tugas ahr n nantnya dharapan dapat mengatur jam mengajar dosen dan juga jadwal perulahan mahasswa, sehngga menghndar adanya bentroan jadwal.. PERUMUSAN MASALAH Berdasaran uraan datas, maa permasalahan yang tmbul dalam pengerjaan tugas ahr n adalah bagamana membuat jadwal mata ulah dan pembagan dosen pada tap-tap elas d PENS, sehngga ddapatan ombnas mata ulah yang lebh ba guna menghaslan jadwal mata ulah yang optmal. Jadwal mata ulah dataan optmal apabla tda ddapatan ress ddalamnya dan tda melanggar onstran yang dtentuan..3 BATASAN MASALAH Adapun batasan masalah dalam tugas ahr n adalah :. Mata ulah yang aan djadwalan dalam tugas ahr n hanya pada jurusan Ten Informata PENS.

. Atrbut yang dgunaan dalam pembuatan jadwal mata ulah n melput dosen, mahasswa, dan mata ulah. Algortma yang dgunaan untu menyelesaan permasalahan tugas ahr penjadwalan n adalah Partcle Swarm Optmzaton.4 TUJUAN DAN SASARAN Tujuan dar tugas ahr yang dusulan n adalah:. Menghaslan suatu aplas yang berfungs untu menyusun jadwal mata ulah d jurusan Ten Informata PENS.. Mengembangan proses omputas dengan Partcle Swarm Optmzton untu menyelesaan permasalahan penjadwalan mata ulah d jurusan Ten Informata PENS. 3. Mempermudah dan mempercepat proses pembuatan jadwal ulah d jurusan Ten Informata PENS dengan hasl yang optmal.. DASAR TEORI. PARTICLE SWARM OPTIMIZTION (PSO) PSO merupaan algortma berbass populas yang mengesplotas ndvdu dalam populas menuju daerah penyelesaan dalam daerah pencaran. Dalam PSO populas dsebut dengan swarm, dan ndvdu dsebut dengan partcle. Tap partel berpndah dengan ecepatan yang dadaptas dar daerah pencaran dan menympannya sebaga poss terba yang pernah dcapa. Algortma dasar PSO terdr dar tga tahap, yatu pembangtan poss serta ecepatan partel, update velocty (update ecepatan), update poston (update poss). Partel berubah possnya dar suatu perpndahan (teras) e poss lannya berdasaran pada update velocty. Pertama poss x, dan ecepatan v dar umpulan partel dbangtan secara random menggunaan batas atas ( x max ) dan batas bawah ( x mn ) dar desgn varable, sepert yang dtunjuan pada persamaan (.) dan (.). x mn ( max xmn v xmn + rand ( xmax xmn = x + rand x ) (.) = ) (.) Poss dan ecepatan drepresentasan dalam bentu vetor dmana n dmens vetor merepresentasan jumlah dar desan varabel partel, dengan superscrpt dan subscrpt menotasan partel e pada watu e. Dengan proses nsalsas n maa umpulan partel dapat terdstrbus secara random pada desgn space. Vetor sepert dtunjuan d bawah n : n ( x ) T, x, K x n ( v, v, K v ) T x =, v =, Langah edua adalah update velocty (ecepatan) untu semua partel pada watu +menggunaan fungs objetf atau nla ftness poss partel saat n pada desgn space saat watu e. Dar nla ftness dapat dtentuan partel mana yang meml nla global terba (global best) pada swarm saat n, p, dan juga dapat dtentuan poss terba dar tap partel pada semua watu yang searang dan sebelumnya, p. Perumusan update velocty menggunaan dua nformas tersebut untu semua partel pada umpulan dengan pengaruh perpndahan yang searang, v v, untu memberan arah pencaran, +, untu generas selnjutnya. Perumusan update velocty mencaup beberapa parameter random, rnd, untu mendapatan caupan yang ba pada desgn space, tga parameter yang mempengaruh arah pencaran, yatu nerta factor (w), self confdence (c), swarm confdence (c) aan dgabungan dalam satu penyajan, sepert yang dtunjuan persamaan berut : v g g ( p x ) + c * rnd ( p x ) + = w * v + c* rnd * * (.3) dengan range w =.4.4, c =.5. dan c =..5 langah terahr dar setap teras adalah update poss tap partel dengan vetor velocty, sepert yang dtunjuan pada persamaan berut n : = (.4) x + x + v + Proses update poss dan ecepatan secara jelas dgambaran pada Gambar. Tga tahapan datas aan dulang sampa rtera eonvergenan terpenuh, rtera eonvergenan sangat pentng dalam menghndar penambahan fungs evaluas setelah solus optmum ddapatan, namun rtera eonvergenan tda selalu mutla dperluan, penetapan jumlah teras masmal juga dapat dgunaan sebaga stoppng condton dar algortma.

Gambar. update poss dan ecepatan PSO Pseudo Code Algortma PSO for setap partel Insalsas partel menggunaan persamaan (.) dan (.) end repeat for setap partel Htung nla ftness f nla ftness baru lebh ba darpada nla ftness lama Update nla ftness dar partel tersebut end end Plh partel dengan nla ftness terba dantara semua partel tetangganya dan smpan nla ftness terba tersebut for setap partel Htung velocty partel menggunaan persamaan (.3) Update poss partel menggunaan persamaan (.4) end untl (KrteraBerhent == true). PENJADWALAN Penjadwalan merupaan proses untu menyusun suatu jadwal atau urutan proses yang dperluan dalam sebuah persoalan. Persoalan penjadwalan basanya berhubungan dengan penjadwalan elas dalam seolah atau perulahan dan juga dalam lngup yang tda jauh berbeda sepert penjadwalan mata ulah, penjadwalan ujan, atau bsa juga penjadwalan aryawan, ba dalam suatu perusahaan ataupun dalam rumah sat. Dalam penjadwalan ulah, aan dbahas tentang pembagan jadwal untu tap mahasswa pada ulah tertentu sealgus dosen pengajarnya, dalam penjadwalan pelajaran seolah aan dbahas tentang pembagan jadwal pelajaran untu tap-tap elas yang ada beserta guru pengajar pelajaran tersebut, dalam penjadwalan ujan aan dbahas pengaturan dosen yang menjaga ujan dan mahasswa atau murd yang menempat ruang ujan yang ada, sedangan pada penjadwalan aryawan, dlauan pengaturan aryawan yang aan beerja pada watu tertentu d bagan tertentu. Proses tersebut tentu saja dbuat berdasaran permasalahan yang ada. Beberapa proses umum ynag perlu dlauan untu menyelesaan suatu proses penjadwalan menurut Research Group Computer Scence (BGU) adalah:. Mendefnsan atau membuat model dar permasalahan. Model yang dbuat mencaup proses apa saja yang aan derjaan dalam persoalan penjadwalan yang ada. Atau lebh jelasnya jadwal apa saja yang aan dbuat.. Mendesgn metode penyelesaan untu permasalahan penjadwalan tersebut. Dar model yang telah ada, dtentuan metode yang aan dgunaan untu menyelesaan permasalahan penjadwalan tersebut. 3. Mencar bermacam-macam contoh permasalahan penjadwalan yang telah dbuat. Dalam proses n dlauan pencaran penyelesaan penjadwalan yang pernah dgunaan agar dapat dpaa sebaga referens dalam proses yang sedang dlauan. Sedangan pembahasan penjadwalan menurut Tomas Muller dan Roman Barta sebaga berut :. Atvtas yang dlauan Masudnya adalah bahwa penentuan dar permasalahan penjadwalan yang dbahas. Msalnya penjadwalan mata ulah d perguruan tngg.. Sumber-sumber yang dpaa Sumber-sumber yang dpaa berart hal-hal yang dapat dgunaan untu menyelesaan permasalahan penjadwalan (atftas) yang telah dtentuan atau bsa juga dataan sebaga data yang dgunaan. Msalnya pada penjadwalan mata ulah dperluan data mata ulah, dosen, elas dan sumber lan yang dperluan. 3. Syarat-syarat yang dperluan Syarat dsn adalah hal-hal yang perlu dperhatan eta menyusun suatu penjadwalan. Msalnya saja dalam penjadwalan mata ulah terdapat syarat bahwa seorang dosen tda boleh mengajar dua elas yang berbeda dalam watu / jam ulah yang sama. 4. Hubungan Tmbal Bal Yang dmasud hubungan tmbal bal dsn adalah bagamana jadwal yang telah dbuat tersebut dapat sesua dengan yang dngnan oleh user..3 SEKILAS TENTANG JAVA Java.lang dan java.utl merupaan dua pacage yang terdapat d dalam java. Pacage java.lang memuat sejumlah class pentng, termasu class-class wrapper dan pacage n bsa langsung 3

dmport secara otomats tanpa mendelarasannya. Sedangan yang tda alah pentngnya adalah pacage java.utl. Pacage n juga memuat ArrayLst.3. ArrayLst Kelas ArrayLst merupaan mplementas dar nterface Lst. Kelas n menduung array yang dnams dan dapat dgunaan sesua dengan ebutuhan. Dalam java, standar panjang sebuah array tetap. Setelah array dcptaan, merea tda bsa bertambah atau berurang, yang berart Anda harus mengetahu terlebh dahulu berapa banya elemen-elemen array aan Anda dbuat. Namun, adang-adang Anda mungn tda tahu seberapa besar array yang Anda butuhan. Untu mengatas stuas n, dcptaan ArrayLst. dmana pada ArrayLst tersebut terdapat obje yang dnams dan dapat menambah atau mengurang uuran elemenelemen d dalamnya sesua dengan ebutuhan yang dperluan. Obje ArrayLst selalu meml uuran tertentu, dan tda boleh mengambl poss d luar uuran ArrayLst. Dalam hal n, ArrayLst mrp sepert array basa. Aan tetap, uuran ArrayLst bsa bertambah apan saja ja dperluan. 3. PERANCANGAN SISTEM 3. PERANCANGAN SISTEM INPUT DATA PERKULIAHAN DATABASE PARTICLE SWARM OPTIMIZATION PENJADWALAN MATA KULIAH Gambar 3. Konfguras Sstem Sstem penjadwalan n nantnya hanya dapat dgunaan oleh petugas BAAK, yang bertugas dalam penyusunan sebuah jadwal mata ulah d PENS hususnya jurusan Ten Informata, jadwal dbuat dengan etentuan :. Tda ada bentro mahasswa, yatu setap mahasswa hanya dapat mengut satu mata ulah dalam har dan jam yang sama.. Tda ada bentro dosen, yatu setap dosen hanya bsa mengajar d satu elas pada har dan jam yang sama. 3. Setap dosen hanya bsa mengajar pada suatu elas sebanya satu al pada har yang sama. 4. Tda boleh ada bentro penggunaan lab. 3.. Database 3... Entty Relatonshp Dagram(ERD) Entty Relatonshp dagram dar system penjadawalan yang derjaan meml 3 enttas dan dgambaran pada gambar 3. : Gambar 3. ER Dagram Dar ER Dagram yang telah dgambaran datas, ddapatan 4 tabel, yatu 5 tabel murn dan satu table yang menghubungan antara table dosen, mataulah dan mahasswa. 3... Perancangan Tabel Untu rncan s dar table- table yang aan dgunaan adalah sebaga berut :. Tabel Mataulah Tabel 3. Tabel Mataulah Nama Feld Tpe Data Id Prmary Key Nama_Matul Text(5). Tabel Mahasswa Tabel 3. Tabel Mahasswa Nama Feld Tpe Data Nama_elas Text() Jumlah 3. Tabel Ruang Tabel 3.3 Tabel Ruang Nama Feld Tpe Data Kode_Ruang Text(5) Nama_Ruang Text(5) 4. Tabel Dosen Tabel 3.4 Tabel Dosen Nama Feld Tpe Data Id_Dosen Nama_Dosen Text(5) 4

5. Tabel Beban Tabel 3.5 Tabel Beban Nama Feld Tpe Data Id_Beban Id_Dosen Id_matul Berut n adalah menu utama yang dgunaan untu memprosen penjadwalan, hngga menghaslan suatu jadwal yang optmal dan menamplannya dalam table. 6. Tabel Jadwal Tabel 3.6 Tabel Jadwal_Kulah Nama Feld Tpe Data Id_jadwal Mata_ulah Mahassawa Jam SKS 3...3 Kones Database Dalam tugas ahr n database yang dgunaan adalah MySql, untu melauan ones e java 3 langah dalam menyettng datasource yatu mendaftaran fle JAR yang bers JDBC drver dengan contaner. Membuat connecton pool e database Mendaftaran sebuah datasource yang dgunaan untu connecton pool. Sedangan langah-langah untu menambahan source codenya adalah sebaga berut :. Load Drver JDBC.. Defnsan URL Database. 3. Membuat dan Melauan Kones. 4. Menutup Kones. 3.. Graphc User Interface (GUI) Sstem Aplas Penjadwalan Mataulah n hanya terdr dar satu form utama untu menjalanan seluruh proses penjadwalan dan menamplannya dalam bentu table-tabel yang bers mata ulah dan dosen pengajar yang dsajan perelas. 3... Form Utama Form utama merupaan nt dar aplas n, Pada form utama n terdapat 3 button utama. Button utama pada form utama n merupaan button yang menjalan system aplas n :. Button Intalze. Button Iterate 3. Button Do t All Gambar 3.4 FormUtama Keterangan :. Button Do t All, untu menjalanan eseluruhan proses penjadwalan. Ftness yang dhaslan. 3. Total teras dar eseluhan proses 4. Button Intalze, untu membangtan partel awal. Dgunaan ja user ngn menjalanan aplas per step teras 5. Button Iterate, yang aan muncul setelah button Intalze dtean, dgunaan untu menjalanan aplas per step teras 6. Kelas-elas yang djadwalan 7. Tabel yang bers hasl penjadwalan Mataulah 8. Convert jadwal e fle pdf 9. Menu onfguras, untu melauan onfguras parameter. Message Dalog untu onfguras parameter berut aan muncul setelah menu onfguras dplh 3..3 Algortma Partcle Swarm Optmzaton(PSO) Pada PSO aan dgunaan algortma dasar sederhana dar PSO dengan varabel bernla nteger dan fator nersa w stats, tahapan-tahapan secara jelas sepert dgambaran pada dagram alr dbawah n : Selan button utama juga terdapat satu menu utama, yatu menu onfguras, untu merubah nla parameter sesua nputan user. 5

=+ Tda Gambar 3.5 Dagram alr PSO 3. PERANCANGAN DAN IMPLEMENTASI PROGRAM 3.. Pembangtan poss dan velocty awal partel Insalsas algortma Insalsas semua partel c, c, dan w Evaluas fungs ftness untu semua partel Update nla terba partel dan umpulan Update nla Update nla Start Set = x dan ecepatan v p, dan v untu semua partel x untu semua nla Evaluas fungs objetf ftness untu semua partel Memenuh stopng condton? Stop g p Dalam penjadwalan ulah n poss dan velocty dmsalan sebaga slot. Poss dan velocty awal dtentuan secara random dengan batasan nla mnmum slot dan maxmum slot (-4). Nla poss dan velocty awal partel dnsalsas sama, sehngga hanya melauan satu al random untu mendapatan nla velocty dan poss partel. Pada penjadwalan n poss partel dwal oleh slot-slot,satu set jadwal yang terdr dar beberapa elas merupaan satu partel. Setap elas meml 5 slot dalam satu mnggu perulahan, dmana setap harnya terdapat 3 slot yang dapat dgunaan dan setap slot mewal 3 jam ulah. gambaran dar slot yang aan dgunaan untu tap partel dtunjuan pada table berut : Ya Kelas D3 TI A Senn Selasa Rabu Kams Jumat 3 6 9 4 7 3 5 8 4 Kelas 4 D3 TI B Senn Selasa Rabu Kams Jumat 3 6 9 4 7 3 5 8 4 Pembangtan poss dan velocty awal partel dlauan secara random dengan menggunaan persamaan (.) dan (.), dmana X mn (batas terecl) adalah dan X max (batas tertngg) adalah 4, emudan mata ulah dan dosen dletaan pada poss slot yang ddapatan secara random. 3.. Menentuan nla ftness masng-masng partel Dalam penjadwalan n nla ftness n menentuan banyanya pelanggaran onstran yang harus doptmas. Konstran-onstran yang dgunaan untu pengoptmasan aplas penjadwalan n antara lan : - Tda boleh ada bentro mahasswa, yatu setap mahasswa hanya dperbolehan mengut satu Mataulah pada har dan jam yang sama. - Tda boleh ada bentro dosen, yatu setap dosen hanya dperbolehan mengajar satu perulah pada har dan jam yang sama. - Tda boleh ada dosen yang sama dan mengajar mata ulah yang sama dalam satu elas dalam sehar. - Tda boleh ada bentro penggunaan lab. Ja pada masng- masng partel terjad pelanggaran terhap onstran-onstran datas, maa nla ftness masng-masng partel aan dncrement sebanya satu untu tap pelanggaran. Sehngga partel terba adalah partel dengan nla ftness terecl. 3..3 Menentuan Local Best dan Global Best Local Best( p ) Menentuan partel yang terba dalam satu teras, yatu partel dengan nla ftness palng ecl dar partel-partel lan dalam satu teras. Partel terba tersebut emudan dsmpan sebaga local best partcle. 6

Pseudo Code mencar local best For j = To sze If partcleftness(j) < f(p(j)) Then For = To vetor p(j, ) = partclevetor(j, ) Next fp(j)) = partcleftness(j) End If Next j g Global Best( p ) Menentuan partel terba dar semua partcle best/ local best. Nla global best pada teras pertama adalah sama dengan nla local best pada teras pertama, emudan untu teras selanjutnya dlauan update. Dan dsmpan sebaga global best partcle. Pseudo code mencar global best F(pg) = partcleftness(sze) For mem = To sze If (partcleftness(mem) < f(pg)) Then For = To vetor pg() = partclevetor(mem, ) Next f(pg) = partcleftness(mem) End If Next mem Next Next j 4. UJI COBA DAN ANALISA 4. UJI COBA 4.. Hasl Runnng Aplas Untu menjalanan aplas penjadwalan n user harus menean button Do t All untu menjalanan eseluruhan dar proses penjadwalan, mula dar pembangtan partel jadwal awal hngga dhaslan jadwal yang optmal, setelah tu aplas aan menamplan hasl penjadwalan tersebut, ftness dan jumlah teras dar proses penjadwalan. 3..4 Proses Update Velocty dan Poss v Proses update velocty baru( + ) n menggunaan parameter nla velocty yang lama( v ), nla vector/poss yang lama( x ), C(learnng rates local partel), C(learnng rates global partel), local best( p ), global best( p ) dan random blangan aca dalam nterval [,] dan untu mendapatan nla velocty yang baru dgunaan persamaan (.3). Pseudo code untu update velocty For j = To sze For = To vector Partclevelocty(j, ) = (partclevelocty(j, ) +(c * rnd * (p(j, ) partclevector(j, ))) + (c * rnd * (pg() partclevector(j, )))) Next Next j Sedangan untu proses update poss dgunaan persamaan (.4). Cara update poss yatu dengan cara menuar poss lama dengan poss dbalaangnya sebanya hasl update. Pseudo code untu update vector/poss For j = To sze For = To vector partclevector(j, ) = partclevector(j, ) +(partclevelocty(j, ) g Gambar 4. Hasl Runnng Aplas Penjadwalan 4.. Hasl Percobaan - Uj coba dengan parameter Parameter yang dgunaan pada uj coba n dtunjuan pada tabel berut : Tabel 4. Parameter W C C Iteras Masmum.9.5.5 Uj coba yang aan dlauan pada pengujan aplas penjadwalan n aan dlauan pada macam data nputan, yatu - Dengan menggunaan jumlah partel sebanya 5 - Dengan menggunaan jumlah partel sebanya Setelah dlauan beberapa al percobaan pada 3 macam data nputan yang dsebutan datas maa dhaslan data-data pada tabel- tabel beut n : Untu percobaan dengan menggunaan 5 partel dan dlauan al percobaan ddapatan data sebaga berut: 7

Tabel 4. Hasl Uj Coba parameter menggunaan 5 Partel Uj Coba Iteras Ftness Ke- 4978 3 3 54 4 43 5 3 6 77535 7 3 8 3 9 5478 Untu percobaan dengan menggunaan partel dan dlauan al percobaan ddapatan data sebaga berut: Tabel 4.3 Hasl Uj Coba parameter dengan menggunaan Partel Uj Coba Iteras Ftness Ke- 633 3 4 74 5 6 88445 7 8 7393 9 Total Iteras 8 6 4 Graf Perbandngan Iteras 3 4 5 6 7 8 9 Uj Coba 5 Partel Partel Gambar 4. Graf Perbandngan Iteras dengan Parameter Hasl dar percobaan dengan menggunaan parameter ddapatan jadwal dengan teras ratarata hampr sama dengan menggunaan 5 partel dan partel. Ftness 3.5 3.5.5.5 Graf Perbandngan Ftness 3 4 5 6 7 8 9 Uj Coba 5 Partel Partel Gambar 4.3 Graf Perbandngan Ftness dengan Parameter Hasl dar percobaan dengan menggunaan parameter ddapatan jadwal dengan nla ftness rata-rata yang ecl dhaslan oleh uj coba dengan menggunaan partel. - Uj coba dengan parameter Parameter yang dgunaan dalam uj coba n dtunjuan pada tabel berut : Tabel 4.4 Parameter W C C Iteras Masmum.5.5.5 Uj coba yang aan dlauan pada pengujan aplas penjadwalan n aan dlauan pada macam data nputan, yatu - Dengan menggunaan jumlah partel sebanya 5 - Dengan menggunaan jumlah partel sebanya Setelah dlauan beberapa al percobaan pada macam data nputan yang dsebutan datas maa dhaslan data-data pada tabel- tabel beut n : Untu percobaan dengan menggunaan 5 partel dan dlauan al percobaan ddapatan data sebaga berut: Tabel 4.5 Hasl Uj Coba parameter dengan menggunaan 5 Partel Uj Coba Iteras Ftness Ke- 3 73 3 4 4659 5 58 6 7 8 8553 9 866 8

Untu percobaan dengan menggunaan partel dan dlauan al percobaan ddapatan data sebaga berut: Tabel 4.6 Hasl UjParameter Coba dengan menggunaan Partel Uj Coba Iteras Ftness Ke- 657 3 3 395 4 5 768 6 8496 7 8 9 98 6956 Total Iteras 8 6 4 Graf Perbandngan Iteras 3 4 5 6 7 8 9 Uj Coba 5 Partel Partel Gambar 4.4 Graf Perbandngan Itetas dengan Parameter Hasl dar percobaan dengan menggunaan parameter ddapatan jadwal dengan teras ratarata yang yang hampr sama dengan menggunaan 5 partel dan partel. Ftness 3.5 3.5.5.5 Graf Perbandngan Ftness 3 4 5 6 7 8 9 Uj Coba 5 Partel Partel Gambar 4.5 Graf Perbandngan Ftness dengan Parameter Hasl dar percobaan dengan menggunaan parameter ddapatan jadwal dengan nla ftness rata-rata yang ecl dhaslan oleh uj coba dengan menggunaan partel. Graf Perbandngan dengan nla W yang berbeda - Dengan menggunaan 5 partel Total Iteras 8 6 4 Graf Perbandngan Iteras 3 4 5 6 7 8 9 Uj Coba W=.5 W=.9 Gambar 4.6 Graf Perbandngan Iteras 5 Partel Hasl uj coba dengan parameter w =.5 menghaslan teras rata-rata yang hampr sama dengan menggunaan w =.9 pada uj coba dengan 5 partel. Ftness 3.5 3.5.5.5 Graf Perbandngan Ftness 3 4 5 6 7 8 9 Uj Coba W=.5 W=.9 Gambar 4.7 Graf Perbandngan Ftness 5 Partel Hasl uj coba dengan parameter w =.5 menghaslan ftness rata-rata lebh ecl darpada dengan menggunaan w =.9 pada uj coba dengan 5 partel. - Dengan menggunaan partel Total Iteras 8 6 4 Graf Perbandngan Iteras 3 4 5 6 7 8 9 Uj Coba Gambar 4.8 Graf Perbandngan Iteras Partel W=.5 W=.9 Hasl uj coba dengan parameter w =.5 menghaslan teras rata-rata yang hampr sama dengan menggunaan w =.9 pada uj coba dengan partel. 9

Ftness 3.5 3.5.5.5 Graf Perbandngan Ftness 3 4 5 6 7 8 9 Uj Coba Gambar 4.9 Graf Perbandngan Ftness Partel W=.5 W=.9 Hasl uj coba dengan parameter w =.5 menghaslan teras rata-rata lebh ecl darpada dengan menggunaan w =.9 pada uj coba dengan partel. 4. ANALISA HASIL PERCOBAAN Dar uj coba yang telah dlauan datas dapat dlauan analsa terhadap parameter-parameter yang dgunaan. Analsa yang ddapat sebaga berut : - Jumlah partel yang dbangtan mempengaruh optmas jadwal yang dhaslan, seman banya partel yang terlbat maa dapat menghaslan jadwal yang rata-rata haslnya optmal, hasl n dmungnan arena banyanya partel yang terlbat dalam proses penjadwalan dapat memberan banya plhan partel yang meml nla ftness yang ba, yang emudan aan dambl partel dengan nla ftness tarba. - Sedangan pada uj coba dengan nla nerta factor (w)=.5 dapat menghaslan rata-rata jadwal yang lebh optmal dbandng dengan uj coba dengan menggunaan w=.9, dengan nla c dan c yang sama pada edua percobaan tersebut. - Parameter yang dgunaan tda mempengaruh total teras, namun berpengaruh pada nla ftness yang dhaslan. 5. KESIMPILAN DAN SARAN 5. KESIMPULAN Setelah dlauan uj coba dan analsa terhadap tugas ahr n, maa ta dapatan :. Algortma Partcle Swarm Optmzaton (PSO) dapat dgunaan untu mengoptmas permasalahan penjadwalan Mataulah d jurusan Ten Informata PENS.. Hasl ahr dar penjadwalan mataulah dengan PSO yang palng optmal yatu dengan menggunaa parameter C=.5, C=.5, W=.5 dan jumlah partel sebanya. 3. Beberapa percobaan dapat menghaslan nla ftness mnmum yang dharapan, yan pada teras yang cuup besar, namum pada beberapa percobaan tda dapat menghaslan nla ftness pada teras masmal yang dtentuan darenaan mash ada pelanggaran onstran yang belum dapat doptmas. 4. Penjadwalan pada 4 elas pada tugas ahr n dapat menghaslan jadwal yang optmal tanpa pelanggaran onstran, yatu sudah tda ada jadwal mengajar dosen yang bentro, sudah tda ada mahasswa yang ulah lebh dar satu mata ulah pada har dan jam yang sama, sudah tda ada dosen yg mengajar mata ulah yang sama pada satu har, dan sudah tda ada mata ulah yang djadwalan menempat ruang elas atau lab yang sama pada har dan jam yang sama. 5. SARAN Dengan melhat hasl yang ddapatan dar uj coba maa dsaranan :. PSO drasa cuup efsen untu dgunaan dalam masalah penjadwalan, namun parameter yang dgunaan dapat dubah-ubah untu mendapatan jadwala yang lebh optmal. Peneltan mengena performans algortma mash sangat dbutuhan lebh lanjut pada bdang aplas lannya, sehngga mampu memberan ontrbus padsa perembangan algortma tersebut. 3. Konstran dapat dtambah dan dsesuaan dengan ebutuhan dan persyaratan pembuatan jadwal yang berlau. 6. DAFTAR PUSTAKA. Faradsa. Rosyah, Perbandngan Hasl Optmas Partcle Swarm Optmzaton (PSO) dan Genetc Algorthm (GA) pada Fungs Rosenbroc (Banana Functon), Tugas Ahr ITS, Surabaya, 7.. Suyanto, Algottma Optmas Determnst atau Probablt, Graha Ilmu, Yogyaarta,. 3. http://java.lyracc.com/belajar/java-untupemula/arraylsts-dan-vector 4. Chu. Shu-Chuan, Chen. Y-Tn and Ho. Jun-Hue, Tmetable Schedulng Usng Partcle Swarm Optmzaton, Cheng-Shu Unversty, Kaohsung County 833, Tawan, 6

5. Agustna. Ira La, Penjadwalan Pelajaran SMU Neger Mojoagung dengan Algortma, Tugas Ahr ITS, Surabaya, 5. 6. S.G. Ponnambalam, N. Jawahar, S. Chandrasearan, Dscrete Partcle Swarm Optmzaton Algorthm for Flowshop Schedulng, Monash Unversty, Thagarajar College of Engneerng, S R M V Polytechnc College, Malaysa, Inda