Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016
ISSN: 2089-9815
OPTIMALISASI PENEMPATAN DOSEN PEMBIMBING DAN PENJADWALAN SEMINAR TUGAS AKHIR MENGGUNAKAN ALGORITMA GENETIKA Nendi Purwana 1, Esmeralda C. Djamal 2, Faiza Renaldi 3 Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan Sudirman,PO BOX 148 Cimahi, Jawa Barat, Indonesia E-mail:
[email protected] ABSTRAK Tugas akhir merupakan satu matakuliah yang wajib diambil mahasiswa sebagai salah satu syarat kelulusan, setiap mahasiswa yang telah mengambil tugas akhir wajib mempunyai dosen pembimbing untuk membantu membimbing mahasiswa dalam menyelasaikan tugas akhir, hasil akhir dari tugas akhir akan dipresentasikan dalam bentuk seminar. Beberapa penelitian terdahulu yang menggunakan algoritma genetik diantaranya untuk penempatan buku untuk perpustakaan sekolah, Penerapan Algoritma Genetika Pada Sistem Rekomendasi, penyelesaian masalah Job Shop, Optimalisasi penempatan SDM pada perusahaan. Algoritma Genetika dipilih karena dapat memperoleh jadwal yang memenuhi kriteria yang ditetapkan dari semua kombinasi yang ada tanpa harus mencoba semua kemungkinan kombinasi. Dalam penelitian ini penjadwalan dilakukan terhadap 77 Mahasiswa, 2 Ruangan dan 13 Dosen. Optimalisasi Penempatan Dosen Pembimbing dan Penjadwalan Tugas Akhir dilakukan dengan pembangkitan populasi awal, evaluasi fungsi kecocokan, seleksi, persilangan, dan mutasi. Dari lima kali pengujian dengan 100 kali evolusi, sistem menghasilkan solusi dengan jumlah rata-rata pelanggaran sebanyak lima pelanggaran, dan waktu proses rata-rata selama 55,6 detik. Sistem telah diimplementasikan dalam perangkat lunak dan secara fungsional telah sesuai dengan perancangan yang diinginkan. . Kata Kunci: Penempatan Dosen Pembimbing, Penjadwalan Seminar, Algoritma Genetika.
atau solusi yang berbeda. Dari sekumpulan individu atau populasi awal kemudian dievaluasi terhadap kriteria, yang kemudian melului tahap seleksi. Kumpulan individu yang mempunyai kecocokan paling tinggi dilakukan persilangan antar individu, kemudian dilakukan proses mutasi. Dua proses terakhir menghasilkan individu yang berbeda. Proses evaluasi, seleksi, persilangan dan mutasi akan berulang sampai menemukan solusi yang memenuhi kriteria. Beberapa penelitian terdahulu yang menggunakan algoritma genetik diantaranya untuk penempatan buku untuk perpustakaan sekolah [1], Optimalisasi Penjadwalan Perkuliahan di Fakultas MIPA Unjani [2], penyelesaian masalah Job Shop [3], Optimalisasi penempatan SDM pada perusahaan4], penjadwalan proyek dengan penyeimbangan biaya [5], penjadwalan pesanan produksi [6]. Salah satu kriteria dalam menghasilkan jadwal yang baik adalah tidak adanya unsur penjadwalan yang bentrok dalam hal penggunaan fasilitas ataupun keterlibatan unsur terkait. Dalam penelitian ini akan dirancang menggunakan dua algoritma genetik, yaitu untuk penempatan dosen pembimbing dan penjadwalan seminar tugas akhir. Algoritma genetika dipilih mengingat dapat memperoleh solusi optimal tanpa harus mencoba semua kemungkinan solusi. Terdapat sebanyak 77 peserta seminar, 13 jumlah dosen dan 10 bidang penelitian, maka terdapat kombinasi penempatan dosen pembimbing sebanyak 77130.
1. PENDAHULUAN 1.1 Latar Belakang Tugas akhir merupakan matakuliah yang wajib diambil setiap mahasiswa khususnya mahasiswa tingkat akhir yang akan menyelesaikan masa studinya, di Informatika Unjani tugas akhir terdiri dari 6 SKS yang dibagi kedalam 2 semester, yaitu tugas akhir 1 terdiri dari 2 SKS dan tugas akhir 2 terdiri dari 6 SKS. Setiap mahasiswa yang telah mengambil matakuliah tugas akhir wajib memiliki dosen pembimbing untuk membantu membimbing mahasiswa dalam menyelesaikan tugas akhir tersebut, setiap dosen pembimbing mempunyai keahlian pada bidangnya masing-masing, sehingga pada saat penempatan dosen pembimbing disesuaikan berdasarkan bidang penelitian yang diambil mahasiswa. Setelah melalui proses bimbingan dan menyelesaikan tugas akhir maka mahasiswa harus mengikuti kegiatan seminar tugas akhir. Saat ini kegiatan seminar tugas akhir dilakukan pada dua ruangan dengan jumlah dosen pembimbing dan reviewer sebanyak 13 orang. Algoritma genetika adalah suatu algoritma pencarian yang berbasis pada mekanisme seleksi alam dan genetika. Proses algoritma genetika berawal dari mencari beberapa solusi atau individu yang disebut populasi awal. Setiap individu dibangun dengan mengisikan tiap gen dengan record-record dari sebuah daftar isi gen yang dibangkitkan secara random, sehingga setiap kombinasi record yang berbeda merupakan individu
492
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016
Apabila setiap mahasiswa memiliki dua dosen pembimbing dan dua dosen penguji, kemudian dalam satu hari terdapat 8 jam kegiatan, dan 2 ruangan yang dapat digunakan, maka dalam 5 hari akan menghasilkan kombinasi sebanyak kemungkinan solusi untuk penjadwalan seminar, sehingga tidak memungkinkan atau tidak realistis untuk diujikan seluruhnya untuk menemukan solusi terbaik dari seluruh kombinasi.
ISSN: 2089-9815
individunya. Penelitian sebelumnya membangkitan pupulasi awal dengan teknik ramdom generator dan permutasi gen [1], sedangkan pada penelitian lainnya proses inisialiasi awal dibuat sepuluh kromosom berdasarkan bilangan acak. Bilangan yang diacak adalah indeks hari dan indeks ruangan yang akan ditempati oleh kelas [2]. 1.2.4 Fungsi Kecocokan Nilai kecocokan berguna untuk jumlah pelanggaran yang semakin kecil menunjukkan solusi yang lebih baik sehingga pada jumlah pelanggaran sama dengan nol diperoleh nilai kecocokan terbaik sama dengan 1. Fungsi kecocokan yang digunakan pada penelitian terdahulu [9] adalah dapat dilihat pada persamaan.
1.2 Landasan Teori 1.2.1 Algoritma Genetika Algoritma genetika adalah suatu algoritma pencarian yang berbasis pada mekanisme seleksi alam dan genetika. Algoritma genetika merupakan salah satu algoritma yang sangat tepat digunakan dalam menyelesaikan masalah optimasi kompleks. Algoritma genetika pertama kali dikembangkan oleh Jhon Holland dari Universitas Michigan pada tahun 1975. Jhon Holland menyatakan bahwa setiap masalah yang terbentuk adaptasi (alami maupun buatan) dapat diformulasikan kedalam terminologi genetika. Proses algoritma genetika berawal dari mencari beberapa solusi atau individu yang disebut populasi awal. Setiap individu dibangun dengan mengisikan tiap gen dengan record-record dari sebuah daftar isi gen yang dibangkitkan secara random, sehingga setiap kombinasi record yang berbeda merupakan individu atau solusi yang berbeda. Dari sekumpulan individu atau populasi awal kemudian dievaluasi terhadap kriteria, yang kemudian melului tahap seleksi. Kumpulan individu yang mempunyai kecocokan paling tinggi dilakukan persilangan antar individu, kemudian dilakukan proses mutasi. Dua proses terakhir menghasilkan individu yang berbeda. Proses evaluasi, seleksi, persilangan dan mutasi akan berulang sampai menemukan solusi yang memenuhi kriteria.
…………………….(1) F(x) adalah nilai dari fungsi kecocokan, f i adalah banyaknya aturan sebanyak n, dan x menyatakan jumlah pelanggaran. 1.2.5 Persilangan (Crossover) Perkawinan silang atau Crossover merupakan proses mengkombinasikan dua individu untuk memperoleh individu-individu baru yang diharapkan mempunyai fitness lebih baik [8]. Crossover menukar bagian dari dua kromosom induk yang berbeda, bekerja menggabungkan dua kromosom induk dengan cara penyilangan untuk menghasilkan dua individu baru. Tidak semua induk mengalami crossover, banyaknya induk yang mengalami crossover ditentukan dengan nilai laju crossover dan dilakukan secara acak. 1.2.6 Mutasi Mutasi adalah penggantian satu atau lebih gen pada suatu kromosom yang terjadi tanpa melibatkan kromosom yang lain. Pada kromosom biner mutasi dilakukan dengan mengubah gen biner 0 menjadi 1 dan satu menjadi 0. Pada kromosom float dua macam mutasi yang banyak dilakukan yaitu random mutation dan shift mutation. (a) Random mutation adalah mengganti gen yang termutasi dengan nilai acak. (b) Shift mutation adalah menggeser nilai gen termutasi sebesar c, dimana c adalah bilangan kecil yang ditentukan.
1.2.2 Struktur Kromosom Dalam algoritma genetika, representasi kromosom merupakan bagian yang penting, karena satu kromosom mewakili satu solusi. Masingmasing kromosom berisi sejumlah gen dimana dalam satu gen akan mewakili satu variabel [2], Pada penelitian sebelumnya terdapat 20 kromosom per populasi dengan jumlah generasi 10 [4]. Penelitian lainya merepresentasikan kromosom dalam bentuk bilangan bulat dimana terdapat aturan operation-based representation atau aturan yang berbasis pada operasi dalam pekerjaan [8].
1.2.7 Penghentian Generasi Terminasi evolusi merupakan sebuah proses yang menyatakan berhentinya proses dalam algoritma genetika. Pada penelitian sebelumnya kasus optimasi penjadwalan kegiatan perkuliahan, terdapat 3 (tiga) kondisi yang digunakan untuk menghentikan algoritma genetika [2], yaitu : 1. Jika sudah tidak terjadi pelanggaran pada kromosom yang dibangkitkan.
1.2.3 Membangkitkan Populasi Awal Membangkitkan populasi awal adalah proses membangkitkan sejumlah individu secara acak melalui prosedur tertentu. Syarat-syarat yang harus dipenuhi untuk menunjukkan solusi harus benarbenar diperhatikan dalam pembangkitan setiap
493
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016
ISSN: 2089-9815
2. Jika jumlah generasi atau iterasi yang diinginkan telah tercapai. 3. Jika nilai fitness diinginkan telah tercapai.
Ruang 1 B1 Kromosom
2 PEMBAHASAN DAN HASIL 2.1 Metode Pada penelitian ini akan menggunakan dua algoritma genetika, yang masing-masing digunakan untuk penempatan dosen pembimbing dan penjadwalan seminar tugas akhir seperti diperlihatkan pada Gambar 1.
Algoritma Penempatan Dosen Pembimbing
Jadwal Seminar Tugas Akhir
Algoritma Penjadwalan Seminar Tugas Akhir
Daftar Pembimbing dan Mahasiswa
A. Representasi Struktur Kromosom Pada penelitian ini Struktur kromosom dibagi kedalam dua bentuk kromosom, yaitu struktur kromosom penempatan dosen pembimbing dan struktur kromosom penjadwalan seminar tugas akhir. B1
B2 ...
g40
g41
...
B3 g60
g61
...
……………………………………….(1) Pada persamaan (1) terdapat nilai n yang merepresentasikan banyaknya aturan yang dibuat, F(x) adalah nilai dari fungsi kecocokan, f i adalah banyaknya aturan sebanyak n, dan x menyatakan jumlah pelanggaran.
B10 g70
...
g134
...
P1 P2
B. Membangun Fungsi Kecocokan Sebelum membangun fungsi kecocokan, terlebih dahulu adalah dengan membuat aturan-aturan yang juga merupakan kriteria dalam penempatan ruangan berdasarkan analisa terhadap sistem yang sedang berjalan. Aturan atau kriteria tersebut yaitu : 1. Kriteria penempatan dosen pembimbing : a. Dosen pembimbing 1 ditempatkan sesuai dengan kompetensi keahlian dosen dan bidang penelitian yang diambil mahasiswa. b. Pembimbing dapat membimbing mahasiswa dengan ketentuan maksimal 20 mahasiswa. 2. Kriteria penjadwalan seminar tugas akhir : a. Dosen reviewer tidak boleh sama dengan dosen pembimbing. b. Dosen pembimbing dan reviewer tidak boleh ada pada ruang yang berbeda pada satu waktu. c. Reviewer dapat mereview mahasiswa maksimal 20 Mahasiswa. d. Dosen pembimbing dan reviewer dapat menentukan kesediaan membimbing atau mereview. Persamaan yang digunakan untuk menghitung nilai kecocokan dari kriteria tersebut yaitu:
Pada Gambar 1 terdapat dua proses Algoritma Genetika yang digunakan untuk penempatan dosen pembimbing dan penjadwalan seminar tugas akhir dengan masukan berupa NIM, bidang penelitian dan daftar dosen yang akan diproses menggunakan algoritma penempatan dosen pembimbing dan menghasilkan keluaran berupa daftar pembimbing dan mahasiswa, kemudian keluaran tersebut dijadikan sebagai masukan bagi proses algoritma penjadwalan seminar dan menghasilkan keluaran berupa jadwal seminar tugas akhir.
g2
B10
... g80 g81 ... g120 ... 154 155 . . . g185 g186 ... g243 g244 ... g268 …. g308
Pada Gambar 3 merupakan struktur kromosom dari penjadwalan seminar tugas akhir yang berisi kode dosen pembimbing yang didapat dari proses algoritma genetika sebelumnya dan kode dosen reviewer yang dibangkitkan secara acak.
Gambar 1. Sistem Penempatan Dosen Pembimbing dan Penjadwalan Seminar Tugas Akhir Menggunakan Algoritma Genetika.
g1
B2 g4
Gambar 3. Struktur Kromosom Penjadwalan Seminar Tugas Akhir.
Aturan Penjadwalan Seminar
Kromosom
g2 g3
Rev1 Rev2
Aturan Penempatan Dosen Pembimbing
NIM Bidang Penelitian Daftar Dosen
g1
Ruang 2
g154 gen 1- 154
C. Membangkitkan Populasi Awal Setelah kromosom dibentuk dan aturan ditentukan, langkah selanjutnya adalah proses dengan algoritma genetika, yang dimulai dengan pembangkitan populasi awal dengan delapan kromosom dengan panjang kromosom sebanyak 154 dan 308 gen, setiap gen diisi oleh daftar isi gen yaitu kode dosen yang dibangkitkan secara acak.
P1 P2
Gambar 2. Struktur Kromosom Penempatan Dosen Pembimbing. Pada Gambar 2 panjang kromosom sebanyak 154, yang terdiri dari pembimbing 1 dan pembimbing 2 yang telah dikodekan.
494
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016
D. Cross Over Pada penelitian ini crossover yang dilakukan hanya menggunakan gen yang melanggar sehingga gen yang bermasalah dalam sebuah kromosom akan langsung ditukarkan dengan gen yang melanggar dari kromosom lain, jika terdapat dua gen yang sama dalam satu kromosom maka dilakukan proses perbaikan isi kromosom untuk mengganti gen yang memiliki nilai yang sama, sehingga tingkat gen yang bermasalah akan cepat berkurang dan akan menaikkan nilai kecocokan, proses crossover dapat dilihat pada Gambar4. Langkah-langkah proses crossover dengan teknik tersebut yaitu : 1. Persilangan dilakukan terhadap empat kromosom sehingga menghasilkan dua pasang induk yaitu : peringkat [1,2], dan [3,4]. 2. Gen yang disilangkan adalah gen yang melanggar dengan tipe rute perjalanan yang sama. 3. Perbaikan isi kromosom dilakukan untuk menghilangkan isi gen yang sama dalam satu kromosom.
Ditukar Hasil duplikat kromosom 1
Hasil duplikat kromosom 1
2.2
Hasil Dan Diskusi Hasil dari pengujian sesuai dengan tahapan metode penelitian yang dibangun untuk proses penjadwalan. Hasil yang didapat merupakan model kromosom dengan struktur yang disesuaikan dengan kasus penempatan dosen pembimbing dan penjadwalan seminar tugas akhir. Kemudian model kromosom tersebut diujikan dengan melakukan pengujian. a. Membangkitkan Populasi Awal Populasi awal dilakukan dengan cara melakukan random kode pembimbing 1 dan kode pembimbing 2. Pembangkitan populasi awal dalam penelitian ini dapat dilihat pada Gambar 6.
YHC AIH WNI RDI YHC DNA EKP FRU WNI AIH M1 Kromoson 1
THP AGK YHC FZR EKP DNA WNI AGK THP RDI
M1
Hasi Persilangan:
Kromoson 2 GNA
M3 AIH
THP
M2 AIH
... RDI
...
M3
ECD AGK THP
... ...
...
...
M76 ...
WNI
...
M77
RZK
ECD
M76
FRU
...
...
...
...
...
...
...
...
...
FZR gen 1- 154
M77
YHC AGK GNA FZR gen 1- 154
THP AIH WNI RDI YHC DNA EKP FRU WNI AIH ...
Hasil duplikat kromosom 2
M2
YHC AGK WNI
Gen yang melanggar memiliki kategori mahasiswa yang sama
Hasil duplikat kromosom 1
WNI RDI WNI RDI YHC DNA EKP FRU YHC AIH
Gambar 5. Proses Mutasi
Ditukar Hasil duplikat kromosom 2
YHC RDI WNI RDI YHC DNA EKP FRU WNI AIH Hasil Mutasi :
Gen yang melanggar memiliki kategori dosen yang sama
Hasil duplikat kromosom 1
ISSN: 2089-9815
...
THP AGK YHC FZR EKP DNA WNI AGK YHC RDI
... M1
Kromoson 8 GNA
...
...
...
M2 AIH
M3
EKP AGK YHC
... RDI
...
...
... ...
...
... M76
...
...
...
...
M77
THP DNA EKP
AIH gen 1- 154
Gambar 4. Proses Crossover E. Mutasi Proses mutasi adalah proses perubahan unsur gen pada satu kromosom. Empat kromosom terbaik dari proses persilangan akan melakukan mutasi. Prinsip sederhananya menukar gen tertentu dengan gen yang lain pada kromosom yang sama. Maka keempat kromosom itulah yang akan dimutasi. Hasil mutasi satu kromosom akan menghasilkan satu kromosom anak sehingga jumlah kromosom hasil mutasi yang akan dihitung jumlah pelanggaran dan fungsi kecocokannya adalah delapan kromosom. Cara memutasikan kromosom adalah dengan terlebih dahulu mencari gen yang melanggar lalu pada satu kromosom, kemudian gen-gen yang melanggar tersebut dimutasikan, seperti pada Gambar 5.
Gambar 6. Pembangkitan Populasi Awal b. Evaluasi Fungsi Kecocokan Populasi Awal Setelah populasi awal dibangkitkan, kromosomkromosom yang terdapat pada populasi tersebut dihitung dengan fungsi kecocokan seperti pada persamaan (1) berdasarkan kriteria yang telah ditentukan sebelumnya, seperti pada Tabel 1. Tabel 1. Jumlah Pelanggaran Pada Populasi Awal Kromosom Kromosom 1
495
Jumlah pelanggaran 15
Kromosom 2
10
Kromosom 3
4
Kromosom 4
12
Kromosom 5
8
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016
Dari calon induk yang disilangkan tersebut menghasilkan delapan kromosom atau individu baru. Dari individu baru tersebut kemudian dihitung kembali jumlah pelanggarannya, dan kromosom yang memiliki jumlah pelanggaran terkecil, disesuaikan dengan kriteria yang ditetapkan. Apabila telah memenuhi kriteria yang ditetapkan, maka kromosom tersebut yang dipilih sebagai solusi optimal, yang kemudian dibentuk ke dalam solusi nyata berupa daftar mahasiswa dan pembimbing beserta jadwal seminar tugas akhir. Hasil yang didapat merupakan model kromosom dengan struktur yang disesuaikan dengan kasus penempatan dosen pembimbing dan penjadwalan seminar tugas akhir Gambar 2 dan Gambar 3. Kemudian model tersebut diujicobakan dengan melakukan pengujian sebanyak 100 kali evolusi dengan hasil yang terdapat pada Gambar 7.
Tabel 1. Jumlah Pelanggaran Pada Populasi Awal (lanjutan)
Kromosom 6
Jumlah pelanggaran 6
Kromosom 7
3
Kromosom 8
14
Kromosom
c. Seleksi Proses seleksi merupakan proses memilih kromosom yang akan digunakan untuk proses persilangan (crossover). Kromosom terpilih akan menjadi induk yang akan disilangkan dan menghasilkan anak atau kromosom baru hasil dari persilangan. Kromosom yang terpilih adalah empat kromosom dengan nilai jumlah pelanggaran paling sedikit atau fungsi kecocokan tertinggi dari delapan kromosom yang dibangkitkan. Seleksi dengan memilih kromosom dengan nilai tinggi merupakan cara seleksi roda roullete, semakin tinggi nilai fungsi kecocokan suatu kromosom, maka semakin tinggi kemungkinan kromosom digunakan untuk persilangan sebagai induk. Proses seleksi dapat dilihat pada T. Tabel 2. Peringkat Kromosom Berdasarkan Jumlah Pelanggaran. Kromosom
Jumlah pelanggaran
Gambar 7. Grafik Jumlah Pelanggaran Terhadap Jumlah Evolusi
Peringkat
Kromosom 1
15
8
Kromosom 2
10
5
Kromosom 3
4
2
Kromosom 4
12
6
Kromosom 5
8
4
Kromosom 6
6
3
Kromosom 7
3
1
Kromosom 8
14
7
Pada Gambar 7 didapat grafik menaik dengan sampel data sebanyak 77 mahasiswa. Grafik tersebut menunjukan bahwa pemodelan kromosom yang dibentuk telah tepat karena individu yang muncul pada setiap evolusi memiliki nilai yang semakin membaik. Oleh karena itu, pemodelan ini dapat diteruskan untuk memunculkan solusi optimal mengenai penempatan dosen pembimbing dan penjadwalan seminar tugas akhir. 3 KESIMPULAN 3.1 Kesimpulan Penelitian ini telah menghasilkan sebuah Sistem Optimalisasi Penempatan Dosen Pembimbing dan Penjadwalan Seminar Tugas Akhir Menggunakan Algoritma Genetika. Hasil akhir dari sistem adalah terbentuknya daftar mahasiswa berserta dosen pembimbing dan jadwal seminar tugas akhir dalam satu periode. Durasi program dapat disesuaikan dengan panjang kromosom. Sistem ini menggunakan dua algoritma genetika untuk melakukan pemrosesannya, algoritma genetika yang pertama digunakan untuk penempatan dosen pembimbing dan algoritma yang kedua digunakan untuk penjadwalan seminar tugas akhir. Pada penelitian ini dilakukan pengujian sebanyak 100 kali evolusi dengan lima kali pengujian, sistem menghasilkan jumlah pelanggaran
Dari hasil seleksi maka didapat calon induk untuk proses persilangan dan mutasi. Calon induk yang terpilih dapat dilihat pada Tabel 3. Tabel 1. Calon Induk untuk Persilangan Kromosom Kromosom 7 Kromosom 3 Kromosom 6 Kromosom 5
Jumlah Pelanggaran 3 4 6 8
ISSN: 2089-9815
Peringkat 1 2 3 4
496
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016
terkecil pelanggaran dalam 55,6 detik dengan jumlah pelanggaran sebesar nol pelanggaran untuk penempatan dosen pembimbing, dan 60 detik dengan jumlah pelanggaran sebanyak dua pelanggaran dalam evolusi penjadwalan. Setiap pengujian sistem mengeluarkan solusi berbeda karena algortima genetika bekerja secara random, namun dapat memberikan optimalisasi solusi yang efektif. Masih terdapatnya pelanggaran disebabkan proses pembangkitan populasi awal mempunyai pelanggaran cukup besar sehingga mempengaruhi kecepatan dan perolehan solusi yang memenuhi syarat.
ISSN: 2089-9815
Sistem Rekomendasi," Jurnal Ilmiah Kursor Menuju Solusi Teknologi Informasi, vol. 5, pp. 205-2011, Juli 2010. [8] Putra Bahtera Jaya Bangun, Sisaca Octarina, and Gusti Ahta Virgo, "Penerapan Konsep Algoritma Genetka untuk Penjadwalan Kegiatan Perkuliahan Semester Ganjil Kurikulum 2012 di Jurusan Matematika F MIPA UNSRI," Jurnal Penelitian Sains, vol. Volume 15 Nomor 2(A), pp. 55-59, April 2012. [9] Eri Walid Fattin, Esmeralda C. Djamal, and Agus Komarudin, "Optimalisasi Penjadwalan Perjalanan Kereta Api Padalarang- Bandung Menggunakan Algoritma Genetika," in SENIJA, Cimahi, 2015.
3.2 Saran Dalam pengembangan lebih lanjut mengenai penelitian ini, maka diberikan saran antara lain penambahan kriteria yaitu penempatan dosen disesuaikan dengan keinginan mahasiswa serta perbaikan pada operator Algoritma Genetika yang digunakan harus dapat mengahasilkan solusi yang lebih baik dari evolusi sebelumya (konvergen). 4 PUSTAKA [1] S Romauli, "Pemanfaatan Algoritma Genetika Pada Aplikasi Penempatan Buku Untuk Perpustakaan Sekola," Pelita Informatika Budi Darma, vol. VI, Nomor 2, pp. 113-118, April 2014. [2] Ela Yulianti, Esmeralda C. Djamal, and Agus Komarudin, "Optimalisasi Penjadwalan Perkuliahan Di Fakultas MIPA Unjani Menggunakan Algoritma Genetik dan Tabu Search," in Seminar Nasional Informatika dan Aplikasinya, Cimahi, 2013. [3] Fachrudin Afandi, Mahendra ER, and Faizal Mahananto, "Penerapan Algoritma Genetik untuk Masalah Penjadwalan Job Shop Pada Lingkungan Industri Pakaian," Jurnal Penelitian Sains, pp. 1-7, 2009. [4] Fatan Kasyidi, Esmeralda C. Djamal, and Agus Komarudin, "Optimalisasi Penempatan Sumber Daya Manusia Berdasarkan Proyek Menggunakan Algortima Genetik," in Seminar Nasional Jenderal Achmad Yani, Cimahi, 2014. [5] Arifudin, "Optimalisasi Penjadwalan Proyek Dengan Penyeimbangan Biaya Menggunakan Kombinasi CPM dan Algoritma Genetik," Jurnal Masyarakat Informatika, ISSN 2086-4930, vol. 2, No. 4, pp. 1-14. [6] Nur Azmi, Irawadi Jamaran, Yandra Arkeman, and Djumall Mangunwidjaja, "Penjadwalan Pesanan Menggunakan Algoritma Genetik Untuk Tipe Produksi Hybrid And Flexible Flowshop Pada Industri Kemasan Karton," Jurnal Teknik Industri, ISSN : 1411-6380, pp. 176-188. [7] Agus Widodo Wahyu and Wayan Firdaus Mahmudy, "Penerapan Algoritma Genetika Pada
497
