MODEL PENJADWALAN MOVING CLASS MENGGUNAKAN METODE ALGORITMA GENETIKA UNTUK MENDUKUNG KEMANDIRIAN SISWA

Jurnal Teknologi Informasi, Volume 9 Nomor 1, April 2013, ISSN 1414-9999

MODEL PENJADWALAN MOVING CLASS MENGGUNAKAN METODE ALGORITMA GENETIKA UNTUK MENDUKUNG KEMANDIRIAN SISWA 1,2,3

Suparno1, Suprapedi2, M. Arif Soleman3 Program Pascasarjana Magister Teknik Informatika Universitas Dian Nuswantoro

Abstract Scheduling is a very important role in the learning cess at an cess at an educational institution(school). For a school that has a number of classes is very much but have a learning space (classroom) and a limited teaching force will be an obstacle in the learningprocess. In order to overcome this obstacle is the need for good scheduling.In this thesis study constructed a model of scheduling using Genetic Algorithm method in which the scheduling is made moving class system, each learning space that is used as a laboratory / classroom subjects and only occupied by one person so that all teachersget a lesson study groups to move the class suit the subjects learned. Here it would seem that at least one teacher taught all the learning that there are no barriers and space used is not too much, while the group learned that there are quite a lot. The results of this study is a design / scheduling model of moving classes that canoptimize the number of teachers and learning space (classroom) and can optimize theplacement of classes in a random seat each instead of subjects and in the end the students can independently follow the learning process. Key words: scheduling, moving classes, genetic algorithms, self

1.

PENDAHULUAN

1.1.

Latar Belakang

Penjadwalan dengan sistem moving class dalam kegiatan belajar mengajar suatu sekolah adalah hal yang rumit [1]. Terdapat berbagai aspek yang berkaitan dalam penjadwalan tersebut yang harus dilibatkan antara lain terdapat jadwal-jadwal di mana guru yang bersangkutan tidak bisa mengajar. Tidak boleh adanya jadwal mata pelajaran yang beririsan dengan jadwal mata pelajaran kelas yang lainya. Distribusi jadwal Kegiatan Belajar Mengajar (KBM) juga diharapkan dapat merata tiap harinya untuk setiap kelas. Pekerjaan penjadwalan moving class mata pelajaran ini akan semakin berat jika melibatkan semakin banyak kelas per angkatannya.[1] Permasalahan yang sering adalah daftar jam. Selain dilihat dari sisi siswa, juga harus dilihat dari sisi guru, yaitu kemungkinan-kemungkinan guru akan mengampu lebih dari satu mata pelajaran yang ada, sebab ada kemungkinan jumlah mata pelajaran dan jumlah guru tidak sebanding, sehingga harus dipikirkan juga solusi agar guru tidak mengampu mata pelajaran yang berbeda pada hari dan jam yang sama. Selain itu, harus dipertimbangkan juga ketersediaan kelas sehingga kegiatan belajar dapat dilaksanakan. Di samping aspek-aspek di atas, dalam penyusunan jadwal KBM ini pun terdapat sangat banyak kemungkinan yang selayaknya di coba untuk menemukan penjadwalan moving class yang terbaik. 50

http://research.pps.dinus.ac.id


Karena itu dibutuhkan metode optimasi yang dapat diterapkan untuk mengerjakan penjadwalan mata pelajaran ini. Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan tersebut adalah dengan menggunakan pendekatan Algoritma Genetika. Algoritma Genetika merupakan pendekatan komputasional untuk menyelesaikan masalah yang dimodelkan dengan proses biologi dari evolusi [2]. Diharapkan dengan digunakannya Algoritma Genetika akan diperoleh optimasi penjadwalan yaitu kondisi dimana terjadi kombinasi terbaik untuk pasangan mata pelajaran dan guru pengajar secara keseluruhan, tidak ada permasalahan bentrokan jadwal pada sisi siswa, serta ketersediaan ruang yang cukup dan sesuai secara fasilitas untuk seluruh mata pelajaran yang ada. Penulis mencoba melakukan pengamatan terhadap model penjadwalan yang diterapkan di SMK Tunas Harapan Pati. Proses penyusunan penjadwalan di SMK Tunas Harapan Pati masih dilakukan dengan cara konvensional. 1.2. Rumusan Masalah Berdasarkan latar belakang diatas, dapat dirumuskan permasalahan sebagai berikut : a. Model penjadwalan pembelajaran yang diterapkan di SMK Tunas Harapan Pati masih dilakukan secara konvensional dan statis menyebabkan siswa cenderung bersikap pasif dan kurang tertarik pada proses pembelajaran. b. Belum diketahuinya pengaruh penjadwalan dengan sistem moving class terhadap kemandirian siswa. 1.3. Tujuan Tujuan yang ingin dicapai dalam pelaksanaan penelitian ini adalah : a. Rekayasa model penjadwalan sistem moving class berbasis sistem informasi komputer dengan menggunakan metode algoritma genetika. b. Diketahuinya pengaruh penerapan model penjadwalan sistem moving class berbasis sistem informasi komputer dengan metode algoritma genetika terhadap kemandirian siswa. 1.4. Manfaat a. Untuk Guru : 1) Mempermudah perencanaan dan pembuatan model penjadwalan moving class untuk semua mata pelajaran dengan menggunakan pendekatan metode Algoritma Genetika. 2) Membutuhkan waktu yang relatif singkat dalam pembuatan jadwal pelajaran berbasis sistem informasi komputer. b. Untuk Siswa 3) Dapat digunakan sebagai media bantu untuk pencarian jadwal pelajaran dengan sistem informasi berbasis komputer. 4) Meningkatkan minat dan semangat belajar siswa melalui model penjadwalan moving class. 2.

LANDASAN TEORI

2.1. Algoritma Genetika Algoritma Genetika sebagai cabang dari Algoritma Evolusi merupakan metode adaptive yang biasa digunakan untuk memecahkan suatu pencarian nilai dalam sebuah masalah optimasi [6]. Algoritma ini didasarkan pada proses genetik yang ada pada makhluk hidup ; yaitu perkembangan generasi dalam sebuah populasi yang alami, secara lambat laun mengikuti prinsip seleksi alam atau “siapa yang kuat, dia http://research.pps.dinus.ac.id

,

51

Jurnal Teknologi Informasi, Volume 9 Nomor 1, April 2013, ISSN 1414-9999 yang bertahan (survive)”[6]. Dengan meniru teori evolusi ini, Algoritma Genetika dapat gunakan untuk mencari solusi permasalahan-permasalahan dalam dunia nyata. Peletak dasar sekaligus pencipta Algoritma Genetika adalah John Holland. Algoritma Genetika menggunakan analogi secara langsung dari kebiasaan yang alami yaitu seleksi alam. Algoritma ini bekerja dengan dengan sebuah populasi yang terdiri dari individu-individu, yang masing-masing individu mempresentasikan sebuah solusi yang mungkin bagi persoalan yang ada. Dalam kaitan ini individu dilambangkan dengan sebuah nilai fitness yang akan digunakan untuk mencari solusi terbaik dari persoalan yang ada [6]. Pertahanan yang tinggi dari individu memberikan kesempatan untuk melakukan reproduksi melalui perkawinan silang dengan individu yang lain dalam populasi tersebut. Individu baru yang dihasilkan dalam hal ini, dinamakan keturunan, yang membawa sifat dari induknya. Sedangkan individu dalam populasi yang tidak terseleksi dalam reproduksi akan mati dengan sendirinya. Dengan jalan ini beberapa generasi dengan karakteristik yang bagus akan bermunculan dalam popluasi tersebut, untuk kemudian dicampur dan ditukar dengan karakter yang lain. Dengan mengawinkan semakin banyak individu banyak kemungkinan terbaik yang dapat diperoleh. Sebelum Algoritma Genetika dapat dijalankan, maka sejumlah kode yang sesuai (representative), untuk persoalan harus dirancang. Untuk ini maka titik solusi dalam ruang permasalahan dikodekan dalam bentuk kromosom string yang terdiri atas komponen genetic terkecil yaitu gen. Dengan teori evolusi dan teori genetika di dalam penerapan Algoritma Genetika akan melibatkan beberapa operator yaitu: a. Operasi Evolusi yang melibatkan proses seleksi di dalamnya. b. Operasi genetika yang melibatkan operator pindah silang (crossover) dan mutasi ( mutation ). Untuk memeriksa hasil optimasi, kita membutuhkan fungsi fitness yang menandakan gambaran hasil (solusi) yang sudah dikodekan. Selama berjalan, induk harus digunakan untuk reproduksi, pindah silang dan mutasi untuk menciptakan keturunan. Jika Algoritma di desain secara baik, populasi akan mengalami konvergensi dan akan didapatkan sebuah solusi yang optimum. Beberapa hal yang harus dilakukan dalam Algoritma Genetika : a. Mendefinisikan individu, dimana individu menyatakan salah satu (solusi) atau penyelesaian yang mungkin dari permasalahan yang diangkat. b. Mendefinisikan nilai fitness, yang merupakan ukuran baik tidaknya sebuah individu atau baik tidaknya solusi yang didapatkan. c. Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan dengan menggunakan pembangkitan acak seperti random-walk. d. Menentukan proses seleksi yang akan dilakukan. e. Menentukan proses perkawinan silang (cross-over) dan mutasi gen yang akan digunakan. 2.2. Pengertian Individu Individu menyatakan salah satu solusi yang mungkin. Individu dapat di samakan kromosom, yang merupakan kumpulan gen, gen ini bisa biner, float, dan kombinatoral. Beberapa definisi penting yang perlu diperhatikan dalam individu untuk membangun penyelesaian permasalahan dengan algoritma genetika adalah sebagai berikut: a. Genotype (Gen), sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan yang dinamakan kromosom. Dalam algoritma genetika, gen ini bisa bernilai biner, float, integer, maupun karakter, atau kombinatorial. b. Allele, nilai dari gen. c. Kromosom, gabungan gen-gen yang membentuk nilai tertentu. 52


Jurnal Teknologi Informasi, Volume 9 Nomor 1, April 2013, ISSN 1414-9999 d. Individu, menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat. e. Populasi, merupakan sekum pulan individu yang akan diproses ber- sama dalam satu siklus proses evolusi. f. Generasi, menyatakan satu siklus proses evolusi atau satu iterasi didalam aLogritma genetika. 2.3. Pengertian Nilai Fitness. Nilai fitness adalah nilai yang menyatakan baik tidaknya suatu solusi (individu) [10]. Nilai fitness ini yang dijadikan acuan dalam mencapai nilai optimal dalam algoritma genetika. Algoritma genetika bertujuan mencari individu dengan nilai fitness yang paling tinggi. Dalam TSP, karena TSP bertujuan miminimalkan jarak, maka nilai fitnessnya adalah inversi dari total jarak dari jalur yang didapatkan. Cara melakukan inversi bisa menggunakan rumus 1/x atau 100000-x, dimana x adalah total jarak dari jalur yang didapatkan. 2.4.

Model Penjadwalan Moving Class Menggunakan Metode Algoritma Genetika Untuk Mendukung Kemandirian Siswa

Gambar 1.


Kerangka Pemikiran

,

53


3.

METODE PENELITIAN

Penelitian ini dilakukan dengan menggunakan metode rekayasa. Langkah langkah yang ditempuh dalam menyelesaikan penelitian sebagai berikut : a. Penerapan metode algoritma genetika untuk menyelesaikan permasalahan model penjadwalan di SMK Tunas Harapan Pati. b. Mengidentifikasi permasalahan atau kendala yang dihadapi dalam menyusun jadwal KBM (Kegiatan Belajar Mengajar ). c. Membuat rancangan database dalam proses penjadwalan KBM,meliputi: 1) Membuat diagram Use Case dengan Unified Modelling Language (UML) untuk menggambarkan hubungan antara entitas dalam menyusun perancangan penjadwalan moving class. 2) Membuat Squence Diagram untuk men-jelaskan urutan - urutan proses penjadw dalam moving class. 3) Membuat Activity Diagram untuk menggambarkan aktivitas user dan Admin dalam entry data dan preview hasil. 4) Membuat Class Diagram untuk meng-gambarkan proses-proses yang terjadi seperti relasi antar tabel dan database yang digunakan dalam mendesain sistem informasi berbasis komputer dalam model penjadwalan moving class. d. Mengimplementasikan rancangan algoritma algoritma genetika pada modul program (analisis coding program). e. Membangun aplikasi penjadwalan dengan dengan database berdasarkan hasil analisis. f. Mengevaluasi kinerja program. 4.

HASIL PENELITIAN

4.1.

Use Case Diagram <>

Logi n

Upd ate Logi n <>

Fi l e

Upd ate Fi l e <>

Input d ata

Update Input data <<exten d>>

Ha si l Pe ncari an

<>

Si swa

Pencari an

Update Pen cari an Adm i n/Gu ru

<<extend >> Hasi l Proses Al gori tma Gen eti ka <>

Pro ses Al gori tm a Geneti ka

Upda te Proses Al g ori tma Geneti ka

<<e xtend>>

Hasi l Lapo ra n

<>

Laporan

Update La poran

<<exten d>> <>

Hasi l Backup

Ba ckup

Upd ate Backup <>

Se tti ng

Gambar 2. 54

Up date Setti n g

Use Case Diagram http://research.pps.dinus.ac.id


4.2.

Squence Diagram : Sis wa / : Guru

: Logi n

: File

: Input Data

: Pencarian

: Pros e Algo ritm a Geneti ka

: Laporan

: Backup

: Setti ng

log i n

aks es data aks es m as ter fi le exit

da ta s ekolah jurus an da ta guru pu taran jadwal ke l as X pu taran jadwal ke l as XI pu taran jadwal ke l as XII tugas m engaj ar

identi ta s g uru m a ta pe lajaran rua ng

pengaturan ja dwal pe ngaturan tem pat duduk

jadwal m engajar p er m ingg u kelas X jad wal m eng aja r per m in ggu ke las XI jadwal m e ngajar pe r m inggu kelas XII

pu taran jadwa l kel as X putaran jadwal ke las XI

putaran jadwal ke las XII jum lah j am m enga jar s eti ap guru total m engaj ar s em ua gu ru tugas m engaj ar tem pat dudu k tiap m inggu

fi le ke Excel fi le ke MySql

pas s word ta hun pelaj aran

Gambar 3. 4.3.

Squence Diagram

Class Diagram <<process>> login (f rom Design Model)

user_name password

sekolah

putaran_jadwal_x

putaran_jadwal_xi

putaran_jadwal_xii

(f rom Design Model)




kelas tanggal keterangan semester


kd_sklh nama_sklh alm t_sklh


input username() input password()

<<process>> mengajar

mapel guru


kode_guru nama_guru nama_mapel kelas jm l_jam total_jam



1..n

1

cek absensi() cek tempat duduk() evaluasi() rekap nilai() rekap absensi()

kode_guru nama_guru nip alamat jk agama tgl_lahir tmt pendidikan

kode_mapel nama_mapel

1

1 1..n

jurusan (f rom Design Model)

kode_jur 1 nama_jur ketua_prog

Gambar 4. http://research.pps.dinus.ac.id

1..n

Class Diagram ,

55


4.4.

Input data

Gambar 5.

4.5.

Output Penjadwalan

Gambar 6.

56

Input data

Output Penjadwalan



4.6.

Output Tempat Duduk

Gambar 7.

Output Tempat Duduk

a. Hasil Analisis Kemandirian Siswa sebelum diterapkan Penjadwalan Moving Class

Gambar 8.

Hasil Analisis Kemandirian Siswa sebelum diterapkan Penjadwalan Moving Class


,

57


4.7.

Hasil Analisis Kemandirian Siswa setelah diterapkan Penjadwalan Moving Class

Gambar 9.

5.

Hasil Analisis Kemandirian Siswa setelah diterapkan Penjadwalan Moving Class

KESIMPULAN DAN SARAN

5.1. Kesimpulan Dengan bantuan Algoritma Genetika penyusunan penjadwalan mata kuliah dapat dioptimalkan. Program dapat mencari solusi penjadwalan pada waktu yang dapat digunakan baik oleh guru, siswa maupun ruangan yang terlibat dalam suatu mata pelajaran. Di samping itu program dapat meminimalkan tingginya frekuensi mengajar seorang guru, frekuensi kegiatan pembelajaran suatu kelas dan faktor pengaruh lainnya. Proses penjadwalan mata pelajaran menggunakan Algoritma Genetika ini dapat diterapkan pada kasus-kasus penjadwalan dengan multi angkatan dan multi ruangan. Dengan menggunakan metode best fitness, maka Algoritma Genetika akan selalu menunjukkan kenaikan fitness atau dengan kata lain generasi selanjutnya lebih baik atau minimal sama dengan generasi sebelumnya. 5.2. Saran a. Model Penjadwalan Moving Class ini mohon untuk segera diterapkan di SMK Tunas Harapan Pati supaya waktu, tenaga dalam perencanaan dan penyusunan penjadwalan bisa diselesaikan dalam waktu yang lebih singkat dan cermat. b. Penempatan tempat duduk otomatis setiap minggunya untuk segera diterapkan secara sungguhsungguh dan dipantau supaya kemandirian siswa bisa meningkat setiap minggunya. 58



DAFTAR PUSTAKA [1] [2] [3[ [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18]

Anonymous (2008). Model-Model Pembelajaran Sekolah Menengah Kejuruan. Jakarta: Depdiknas. Michalewicz, Zbigniew (1996). Genetic Algorithms + Data Structures Evolution Programs. Springer-Verlag. Anonymous (2005). Undang-undang RI Nomor 20 Tahun 2003 tentang Sistem Pendidikan Nasional. Jakarta: Depdiknas. Anonymous (2005). Peraturan Pemerintah Nomor 19 Tahun 2005 Tentang Standar Nasional Pendidikan. Jakarta: Depdiknas. Sugiyanto (2009). Model-Model Pembelajaran Inovatif. Surakarta: Yuma Pustaka. Jeffrey W.Herrmann (1994),Solving a Class Scheduling Problem with a Genetic Algorithm. United States of America: University of Florida. Phanindra Kumar Chadalavada (2006).Minimum Flow Time Schedule Genetic Agorithm For Mass Customization Manufacturing Using Minicells. University of Kentucky Matthew Bartschi Wall (1996). A Genetic Algorithm for Resource – Constrained Scheduling. Massachusetts Institute of Technology. Branimir Sigl, Marin Golub, Vedran Mornar. Solving Timetable Scheduling Problem by Using Genetic Algorithms. Croatia: University of Zagreb. Takeshi Yamada and Ryohei Nakano (1997). Genetic Algorithms for Job-shop Scheduling Problems. Japan: NTT Communication Science Labs. Sri Kusumadewi(2003). Artificial Intelligence(Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu. Suyanto (2005). Algoritma Genetika dalam MATLAB. Yogyakarta: Andi Offset. PPS MTI. (2003). Panduan Tesis dan Petunjuk Penulisan. Semarang: Universitas Dian Nuswantoro. Shodiq (2006). Pemodelan Sistem Informasi Berorientasi Obyek dengan UML, Yogyakarta: Graha Ilmu. Sri Kusumadewi (2003). Algoritma Genetika. Yogyakarta: Graha Ilmu. Husein Umar, S.E, M.M,M.B.A. (2005). Metode Penelitian Untuk Sripsi dan Tesis Bisnis. Jakarta: P.T. Raja Grafindo Persada. Ivan Nugraha (2008). Aplikasi Algoritma Genetic Untuk Optimasi Penjadwalan Kegiatan Belajar Mengajar. Bandung: ITB Abdul Kadir (2008). Pengenalan Sistem Informasi. Yogyakarta: Andi Offset.


,

59

MODEL PENJADWALAN MOVING CLASS MENGGUNAKAN METODE ALGORITMA GENETIKA UNTUK MENDUKUNG KEMANDIRIAN SISWA

Recommend Documents