1 BAB I PENDAHULUAN 1.1 Latar Belakang Pembentukan kelas belajar merupakan kegiatan rutin yang dilakukan oleh setiap sekolah pada setiap tahun ajaran baru. Pembentukan kelas biasanya dilakukan dengan membagi siswa-siswi dalam beberapa kelas sesuai dengan jumlah kelas yang disediakan oleh masing-masing sekolah. Pada umumnya pengelompokan dilakukan berdasarkan: urutan pendaftaran, secara random atau berdasarkan peringkat prestasi. Dalam kegiatan belajar mengajar, guru selalu dihadapkan dengan beragam karakteristik siswa. Ada siswa yang memiliki kemampuan belajar yang tinggi dan cepat dalam memahami materi yang diajarkan, ada juga siswa yang memiliki kemampuan belajar yang rendah dan lambat dalam memahami materi yang diajarkan. Perbedaan kemampuan belajar tersebut menjadi suatu permasalahan dalam proses belajar mengajar, baik bagi siswa maupun bagi pengajar. Menurut Glass (2005) Siswa yang cerdas menginginkan proses belajar yang cepat dan bahan pelajaran yang selalu ditingkatkan, sedangkan siswa yang lemah memerlukan proses pembelajaran yang lambat dan lebih banyak pengulangan. Perbedaan kemampuan belajar siswa menjadi suatu permasalahan bagi pengajar. Dalam melaksanakan proses belajar mengajar, jika seorang pengajar lebih mencurahkan perhatian kepada siswa yang memiliki kemampuan yang lemah dalam belajar, maka siswa pintar akan merasa bosan dengan proses pembelajaran, sementara jika pengajar memberikan perhatian yang sama terhadap siswa cerdas dan lemah atau lebih memprioritaskan siswa yang cerdas, maka siswa yang lemah akan tertinggal bahkan kemungkinan terburuk akan gagal dalam mengikuti pelajaran. Kondisi tersebut dapat memberikan dampak yang buruk terhadap semangat dan motivasi belajar siswa, sedangkan motivasi belajar yang buruk dapat mengakibatkan tidak tercapainya tujuan pembelajaran yang diinginkan.
2 Untuk mengatasi permasalahan tersebut perlu dilakukan suatu usaha untuk membentuk kelas belajar yang baik. Idealnya suatu kelas dibentuk dengan menempatkan siswa-siswa yang memiliki prestasi dan tingkat kemampuan belajar yang seragam, upaya ini dapat dilakukan dengan menempatkan siswa-siswa yang memiliki gap prestasi sekecil mungkin dalam satu kelas yang sama. Dengan menempatkan siswa-siswa yang memiliki tingkat keseragaman prestasi yang tinggi, maka kualitas proses belajar mengajar dapat ditingkatkan, sehingga kualitas pendidikan bagi siswa menjadi lebih baik. Untuk melakukan pembentukan kelas belajar yang ideal, diperlukan metode pengelompokan yang tepat. Menurut Zukhri (2014), jika ditinjau dari ilmu statistika, metode pengelompokan berdasarkan peringkat prestasi sama sekali tidak menjamin terbentuknya kelas dengan gap prestasi yang rendah. Metode pembentukan kelas yang paling tepat adalah dengan teknik clustering. Namun sampai saat ini belum ada teknik clustering yang secara komprehensif dapat diterapkan untuk pembagian kelas. Metode clustering yang ada hanya sebatas membentuk kelompok dalam hal ini kelas beranggotakan objek atau siswa dengan keseragaman prestasi setinggi mungkin. Kelompok yang akan dibentuk dalam proses clustering tidak dapat dibatasi jumlah anggotanya. Sementara kelompok yang harus dibentuk dalam kasus pembentukan kelas belajar siswa harus dibatasi jumlah anggotanya sesuai dengan daya tampung kelas. Sehingga dengan kondisi seperti ini, teknik clustering tidak dapat digunakan untuk melakukan pembentukan kelas belajar siswa. Dalam dunia komputer, telah lama dikenal suatu metode heuristik yang dikembangkan berdasarkan prinsip genetika dan seleksi alamiah Teori Evolusi Darwin. Metode ini lebih dikenal dengan nama algoritma genetika. Algoritma genetika biasanya digunakan untuk menyelesaikan permasalahan optimasi dengan tujuan memperoleh solusi optimal dari banyak solusi yang mungkin (feasible solution). Meskipun algoritma genetika tidak menjamin akan memberikan solusi paling optimal, pada umumnya algoritma genetika menghasilkan solusi yang baik bagi suatu permasalahan optimasi. Kasus pembentukan kelas belajar dapat dipandang sebagai kasus optimasi minimasi, yaitu meminimalkan gap siswa dalam
3 sebuah kelas, sehingga untuk menyelesaikan kasus pembentukan sebuah kelas dengan gap prestasi siswa sekecil mungkin, algoritma genetika dapat dijadikan sebagai tools yang handal. Algoritma genetika memiliki tiga parameter penting yang harus diperhatikan, yaitu ukuran populasi, probabilitas crossover dan probabilitas mutasi. Sampai saat ini, belum ada aturan baku untuk melakukan pengaturan terhadap terhadap ketiga parameter tersebut, sehingga dalam penggunaan algoritma genetika terdapat kesulitan dalam menentukan nilai yang tepat untuk ketiga parameter tersebut. Salah satu pendekatan yang dilakukan untuk mengatasi kesulitan dalam menentukan nilai parameter pada algoritma genetika adalah dengan menggunakan fuzzy logic dan metode PROFIGA. Fuzzy logic digunakan untuk menentukan probabilitas crossover dan probabilitas mutasi, dan teknik PROFIGA digunakan untuk menentukan ukuran populasi baru. Selain dari permasalahan dalam menentukan nilai parameter, algoritma genetika juga memiliki kelemahan yaitu adanya kemungkinan terjebak dalam local optimum. Kondisi ini menyebabkan algoritma genetika tidak dapat menghasilkan solusi yang lebih baik. Untuk mengatasi masalah ini, dapat digunakan metode local search untuk mencari solusi lain yang lebih optimal disekitar solusi terbaik yang dihasilkan algoritma genetika. Beberapa peneliti mencoba menggabungkan teknik local search. Local search digunakan untuk mencari solusi lain yang lebih baik disekitar solusi yang dihasilkan oleh algoritma genetika. Yun dan Gen menyatakan bahwa hibridasi algoritma genetika dengan local search mampu meningkatkan kinerja algoritma genetika secara signifikan (Yun dan Gen, 2003). Ada beberapa metode pencarian local search, salah satunya adalah Steepest- Ascent Hill Climbing. Steepest-Ascent Hill Climbing merupakan metode pencarian yang menerapkan fungsi heuristik untuk melakukan pengujian terhadap solusi yang dibangkitkan. Metode pencarian tersebut secara sederhana langsung memilih suatu new state dengan kondisi yang lebih baik daripada state sebelumnya. Dengan demikian diharapkan akan memperoleh solusi yang baik diakhir pencarian. Dalam kasus pembentukan kelas, untuk mencari solusi lain yang lebih baik disekitar solusi
4 yang dihasilkan algoritma genetika, perlu dilakukan suatu pengujian terhadap alternatif solusi tersebut. Pengujian dapat dilakukan menggunakan fungsi heuristik tertentu. Pengujian dilakukan untuk mengetahui kualitas solusi lain yang ada disekitar solusi algoritma genetika. Berdasarkan kondisi ini, metode pencarian Steepest-Ascent Hill Climbing dapat digunakan sebagai metode pencarian yang tepat untuk menemukan solusi yang lebih baik disekitar solusi Algoritma genetika. Pada penelitian ini, dilakukan penggabungan beberapa metode kedalam algoritma genetika (Hybrid Genetic Algorithm) yaitu: Fuzzy logic, metode PROFIGA dan metode pencarian Steepest-Ascent Hill Climbing. Dengan menggabungkan beberapa metode tersebut diharapkan dapat meningkatkan meningkatkan kinerja algoritma genetika sehingga dapat memberikan hasil yang optimal terhadap suatu masalah, khususnya masalah pembentukan kelas belajar bagi siswa. 1.2 Rumusan Masalah Berdasarkan latar belakang masalah, rumusan masalah dalam penelitian ini adalah sebagai berikut: a. Bagaimana mengembangkan model Hybrid Genetic Algorithm untuk meningkatkan kinerja algoritma genetika. b. Bagaimana membentuk kelas belajar dengan gap prestasi yang kecil menggunakan Hybrid Genetic Algorithm 1.3 Batasan Masalah Adapun batasan masalah dalam penelitian ini adalah sebagai berikut: a. Domain masalah dalam penelitian ini adalah pembentukan kelas belajar bagi siswa berdasarkan gap prestasi. b. Data yang akan diproses untuk pembentukan kelas adalah data nilai siswa kelas VII sekolah SMPN 1 Kota Lhokseumawe dan data simulasi yang dibangkitkan secara acak. c. Aturan Fuzzy logic yang akan digunakan dalam hibridasi adalah aturan Fuzzy logic model Xu dan Vukovic.
5 d. Penelitian ini hanya dilakukan sampai pada pembentukan kelas berdasarkan gap prestasi siswa menggunakan model Hybrid Genetic Algorithm yang dikembangkan. Tidak dilakukan pengujian lanjut hingga tahap penerapan dari hasil pembentukan kelas tersebut. 1.4 Tujuan Dan Manfaat Penelitian Tujuan dari penelitian yang diusulkan ini adalah: a. Mengembangkan model Hybrid Genetic Algorithm dengan menggabungkan beberapa algoritma cerdas untuk meningkatkan kinerja algoritma genetika. b. Membuat sebuah model untuk membentuk kelas belajar siswa dengan memanfaatkan Hybrid Genetic Algorithm yang dikembangkan dalam penelitian ini. Adapun manfaat yang diharapkan dari penelitian ini adalah: a. Menghasilkan sebuah metode Hybrid Genetic Algorithm yang baru. b. Metode Hybrid Genetic Algorithm dirancang dalam penelitian ini dapat menghasilkan solusi yang optimal khususnya untuk masalah optimasi pembentukan kelas. c. Menghasilkan sebuah model yang dapat digunakan oleh sekolah-sekolah untuk membentuk kelas belajar yang ideal bagi siswa dengan keseragaman prestasi yang tinggi. 1.5 Keaslian Penelitian Berdasarkan referensi yang telah di review, penelitian yang membahas mengenai pembentukan kelas belajar siswa menggunakan Hybrid Genetic Algorithm (Algoritma genetika, Fuzzy logic, metode PROFIGA dan metode pencarian Steepest-Ascent Hill Climbing) belum pernah dilakukan sebelumnya. Walaupun demikian, terdapat beberapa penelitian terdahulu tentang topik dan metode sejenis yang dipaparkan dalam tinjauan pustaka dalam usulan penelitian ini.
6 1.6 Metodologi Penelitian Dalam penelitian ini, beberapa tahapan yang dilakukan adalah sebagai berikut: a. Studi pustaka Dilakukan dengan cara mempelajari, mendalami dan mengutip teori-teori dari sejumlah literatur, baik buku ataupun jurnal-jurnal yang membahas tentang konsep, penerapan atau pengembangan algoritma genetika. b. Pengumpulan data Dilakukan dengan mengambil data-data yang dibutuhkan untuk penelitian pada sekolah yang menjadi objek penelitian. c. Analisa sistem Tahap ini dilakukan dengan menganalisis teori-teori tentang algoritma genetika dan teknik hibridasi algoritma genetika, khususnya fuzzy evolusi model Xu dan Vukovich, dan hibrydasi algoritma genetika dengan teknik local search. Pada tahap ini juga dilakukan analisa mengenai proses pembentukan kelas belajar siswa yang dilakukan pada umumnya. d. Desain Dilakukan perancangan model hybrid genetic algorithm baru yaitu dengan mengintegrasikan fuzzy evolusi model Xu dan Vukovich, metode PROFIGA dan teknik local search (Steepest-Ascent Hill Climbing). Selanjutnya dilakukan perancangan penyelesaian kasus optimasi pembentukan kelas belajar menggunakan teknik hibrydasi yang dikembangkan ini. Desain model meliputi pemilihan teknik-teknik yang relevan untuk kebutuhan: representasikan kromosom, membentuk populasi awal, melakukan evaluasi, local search, proses seleksi, operator dan stoping condition. e. Pengkodean Pada tahap ini, dilakukan proses pengkodean sesuai dengan desain yang telah direncanakan pada tahap desain model optimasi. Pengkodean akan dilakukan menggunakan bahasa pemrograman C++ / Delphi. Hasil dari
7 tahapan pengkodean ini adalah sebuah program sederhana untuk melakukan proses optimasi pembentukan kelas belajar. f. Pengujian(testing) Pada tahap ini akan dilakukan ujicoba terhadap program yang telah dihasilkan pada tahap pengkodean. Ujicoba program dilakukan untuk melihat kemampuan model hibridasi (fuzzy evolusi, metode PROFIGA dan Steepest-Ascent Hill Climbing) dalam proses menghasilkan solusi bagi permasalahan optimasi pembentukan kelas belajar siswa. 1.7 Sistematika Penulisan Penulisan tesis ini disusun secara sistematis dalam 7 Bab dengan rincian sebagai berikut: BAB I PENDAHULUAN Bab ini menguraikan tentang latar belakang masalah, rumusan masalah, batasan masalah, tujuan dan manfaat penelitian, keaslian penelitian, metodologi penelitian, dan sistematika penulisan. BAB II TINJAUAN PUSTAKA Bab ini menjelaskan tentang penelitian terdahulu yang terkait dengan pengembangan algoritma genetika. Beberapa penelitian sebelumnya yang digunakan sebagai rujukan diulas secara singkat dan dibandingkan dengan penelitian yang dilakukan oleh penulis. BAB III LANDASAN TEORI Bab ini berisi tentang teori-teori yang digunakan sebagai landasan dalam penelitian ini. Beberapa teori tersebut adalah Soft Computing, Algoritma Genetika, Fuzzy Logic, Optimasi, Algoritma Genetika Model PROFIGA, hybrid genetic algorithm, Algoritma pencarian Hill Climbing dan Euclidean Distance.
8 BAB IV ANALISIS DAN DESAIN Bab ini membahas mengenai analisis dan perancangan model hybrid genetic algorithm yang dikembangkan. Pembahasan meliputi: Deskripsi model, Analisis kebutuhan, dan Desain model. BAB V IMPLEMENTASI Bab ini menguraikan tentang implementasi yang dilakukan dalam bentuk coding menggunakan bahasa pemrograman pascal. Implementasi diuraikan secara sistematis sesuai dengan rancangan yang telah dilakukan. BAB VI HASIL DAN PEMBAHASAN Bab ini membahas mengenai hasil dari penelitian yang dilakukan. Pembahasan meliputi hasil implementasi yang berupa aplikasi, dan penjelasan mengenai performa dari model hybrid genetic algorithm yang dikembangkan. Pembahasan mengenai performa model hybrid genetic algorithm yang dikembangkan disertai dengan rangkuman data hasil pengujian. BAB VII KESIMPULAN DAN SARAN Bab ini berisi tentang kesimpulan dari penelitian yang telah dilakukan dan saran-saran yang bisa dipertimbangkan untuk pengembangan model hybrid genetic algorithm berikutnya.