PENGGUNAAN GENETIC ALGORITHMS DALAM MENGOPTIMALKAN AKURASI PENILAIAN SCL UNTUK MENINGKATKAN MOTIVASI DAN HASIL BELAJAR Deny Jollyta, M. Kom Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia Telp. (0761) 24418 e-mail :
[email protected]
ABSTRAKS Penilaian terhadap kemampuan softskill mahasiswa dalam metode pembelajaran Student Centered Learning (SCL), menjadi suatu masalah ketidakadilan sehingga dapat menurunkan motivasi dan hasil belajar di kalangan mahasiswa. Hal ini disebabkan karena belum adanya akurasi penilaian atribut-atribut softskill yang optimal, yang dapat dijadikan standar penilaian bagi dosen pengajar. Untuk menyelesaikan permasalahan tersebut, digunakan Algoritma Genetika, yakni suatu algoritma yang dalam penyelesaian masalahnya menggunakan kromosom-kromosom pada populasi awal secara acak yang salah satu bentuk presentasinya adalah biner, mengevaluasi fungsi fitness dan menggunakan operator genetika crossover dan mutasi untuk memperoleh persilangan bit yang diinginkan. Hal ini bertujuan untuk mendapatkan nilai-nilai atribut yang paling optimal ditinjau dari fungsi fitness setiap kromosom. Hasil pengujian menunjukkan bahwa Algoritma Genetika mampu menghasilkan nilai-nilai atribut softskill yang optimal untuk digunakan sebagai standar penilaian bagi dosen pengajar sehingga dapat meningkatkan motivasi dan hasil belajar mahasiswa. Kata kunci : Atribut Softskill, Biner dan Algoritma Genetika Assessment of the ability of student’s softskill in Student Centered Learning (SCL) methods, becomes an issue of injustice in order to reduce the motivation and learning achievement among the students. This is because there is no an optimal accurate assessment of softskill’s attributes, which can be used as an assessment standard for the lecturer. To resolve this problem, use the Genetic Algorithms, that in solving the problems using the chromosomes in the initial population randomly, which one form of presentations is binary, evaluate fitness function and using crossover operator and mutation operator to obtain the desired cross bits. It aims to get the optimal attribute values in terms of fitness function of each chromosome. The results show that Genetic Algorithms can produce the optimal attribute values of softskill in SCL methods, to be used as standard assessment for lecturer so that it can increase student motivation and learning outcomes. Keywords: Attribute softskill, Binary and Genetic Algorithm berdasarkan hasil pengamatan yang cermat dari PENDAHULUAN Seiring dengan perkembangan dunia dosen. Pada penelitian ini, ketepatan penilaian pendidikan di Indonesia, pendekatan terhadap dititikberatkan pada softskill yang memiliki 23 metode pembelajaran yang dianggap efektif terus atribut penilaian. Penilaian yang tidak mempunyai dilakukan. Metode yang semula berpusat pada standar ukuran menjadikan penilaian softskill sulit tenaga pendidik atau dosen secara perlahan untuk mencapai standar optimal yang diinginkan. dialihkan ke peserta didik atau mahasiswa. Metode Untuk mendapatkan akurasi penilaian softskill pembelajaran seperti ini dikenal dengan Student dari metoda SCL ini, digunakan suatu algoritma Centred Learning (SCL) atau Innovative dalam sistem kepakaran yaitu Algoritma Genetika. Approaches (SPICES Approaches). Metoda yang Algoritma Genetika adalah algoritma yang mampu disarankan oleh The International Bureau of menyelesaikan permasalahan yang bersifat nonEducation UNESCO ini mengembangkan 3 aspek linier dan berbasis pada mekanisme evolusi biologis kompetensi lulusan sekaligus yaitu kognitif, dan seleksi alam. Keragaman pada evolusi biologis psikomotor dan afektif secara berimbang. adalah variasi dari kromosom antar individu Pemahaman materi sebuah matakuliah harus organisme. Variasi kromosom ini akan diiringi dengan kemampuan hardskill dan softskill mempengaruhi laju reproduksi dan tingkat yang seimbang. Penilaian yang diberikan harus kemampuan organisme untuk tetap hidup. benar-benar mencerminkan kemampuan hardskill Pada penelitian ini, proses pengoptimalan dan softskill seorang mahasiswa. Namun akurasi penilaian softskill dengan Algoritma kenyataannya, penilaian terhadap kemampuan Genetika pada metoda SCL dicontohkan pada hardskill lebih mudah dilakukan daripada softskill. matakuliah Keilmuan dan Keterampilan (KK) yang Kemampuan softskill mahasiswa harus dinilai Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011 1 1.
diambil secara acak pada sebuah perguruan tinggi komputer. Dari matakuliah ini dibentuk populasi awal dengan 5 parameter yang juga diambil secara acak dari atribut softskill, yakni kemampuan berkomunikasi, kerja sama, berpikir kritis, inisiatif dan kemampuan analitis. Dari parameter ini akan terbentuk parameter dengan kromosom acak. Setelah populasi awal terbentuk, dilakukan rangking terhadap parameter terbaik hingga terburuk dan dilakukan pemilihan induk terbaik. Selanjutnya akan dilakukan proses rekombinasi dan dilanjutkan dengan mutasi sampai terbentuk generasi baru. Hasil dari Algoritma Genetika diharapkan berupa nilai yang dianggap paling optimal dan memenuhi fungsi tujuan. Penggunaan Algoritma Genetika dalam kasus ini diharapkan mampu meningkatkan akurasi seluruh penilaian dalam metoda SCL sehingga setiap perguruan tinggi mempunyai suatu standar dalam memberikan penilaian terhadap kompetensi seorang mahasiswa. Penilaian yang baik akan dapat meningkatkan motivasi dan hasil belajar mahasiswa sehingga empat pilar pendidikan yang dicanangkan dalam kurikulum oleh UNESCO yakni learning to know, learning to do, learning to be, dan learning to live together dapat terwujud. 2. LANDASAN TEORI 2.1 SCL Metoda pembelajaran telah dikembangkan dan dapat dibagi ke dalam dua kelompok besar yaitu metoda pembelajaran yang berbasis Teacher Centred Learning (TCL) atau dikenal sebagai Traditional Approaches dan metoda pembelajaran yang berbasis Student Centred Learning (SCL) atau dikenal sebagai Innovative Approaches (SPICES Approaches) (Soepardi, E, 2008). Perbedaan antara TCL dengan SCL ditunjukkan dalam tabel 1. Tabel 1. Perbedaan TCL dan SCL
Penilaian terhadap indikator softskill lebih dijelaskan pada tabel 3. Penilaian dilakukan dengan memberikan interval nilai yang dapat mempresentasikan kemampuan mahasiswa tersebut . Tabel 2. Interval Nilai Rendah 0 5 Kurang 6 - 10 Sedang 11 - 15 Tinggi 16 - 20 Tabel 3. Tabel Penilaian Atribut Sofskill Mahasiswa
Tabel 2.3 Tabel Penilaian Atribut Sofskill
Mahasiswa Rekapitulasi keseluruhan nilai diperlihatkan pada tabel 4. Tabel 4. Rekapitulasi Penilaian Mahasiswa
2.2 Algoritma Genetika Algoritma Genetika adalah suatu algoritma heuristic yang didasarkan atas mekanisme evolusi biologis (Sri Kusumadewi, 2003). Keberagaman pada evolusi biologis adalah variasi dari kromosom antar individu organisme. Variasi kromosom ini akan mempengaruhi laju reproduksi dan tingkat kemampuan organisme untuk hidup. Pada dasarnya terdapat 4 kondisi yang sangat mempengaruhi proses evaluasi, yaitu : a. Kemampuan organisme untuk melakukan reproduksi b. Keberadaan populasi organisme yang bisa melakukan reproduksi c. Keberagaman organisme dalam suatu populasi Akibat penerapan metoda SCL ini, penilaian d. Perbedaan kemampuan untuk survive . terhadap kompetensi hardskill dan softskill Sebelum Algoritma ini dijalankan, masalah apa mahasiswa menjadi komplek. Dosen harus yang ingin dioptimalkan itu harus dinyatakan dalam memberikan penilaian terhadap seluruh kemampuan fungsi tujuan, yang dikenal dengan fungsi fitness. hardskill dan softskill mahasiswa. Pada penelitian Jika nilai fitness semakin besar, maka sistem yang ini, contohnya adalah sistem penilaian SCL terhadap dihasilkan semakin baik. Operasi yang dilakukan seorang mahasiswa di sebuah perguruan tinggi adalah reproduksi, crossover, dan mutasi untuk dibedakan ke dalam beberapa unsur penilaian : mendapatkan sebuah solusi menurut nilai fitness1. Nilai Indikator Softskill 20% nya. Selanjutnya konstruksi dasar dari Algoritma 2. Nilai Quiz 10% Genetika adalah sebagai berikut (Sri Kusumadewi, 3. Nilai Tugas 20% 2003) : 4. Nilai Ujian Tengah Semester (UTS) 20% a. Pendefinisian Chromosome 5. Nilai Ujian Akhir Semester (UAS) 30% b. Pendefinisian Fungsi Fitness Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011 2
c. d. e. f.
Membangkitkan sebuah Populasi Awal Reproduksi Crossover Mutasi Secara umum, Algoritma Genetik dapat diilustrasikan dalam diagram alir berikut : Skema Pengkodean Mutasi
Salah satu matakuliah akan dijadikan contoh untuk mendapatkan nilai optimal yang dipresentasikan ke dalam 30 kromosom dan atribut softskill sebagai variabel. Variabel-variabel tersebut dikodekan ke dalam kromosom yang terdiri dari 20 gen, dimana setiap variable dikodekan ke dalam 4 gen dalam bentuk biner. Tabel 2.5 memperlihatkan pengkodean kromosom yang dimaksud. Tabel 6. Pengkodean Kromosom Dalam Biner
Inisialisasi Generasi Baru
Populasi
Fungsi Objektif Fungsi Objektif Generasi Tua / Lama Tida Seleksi
Perkawinan Silang (Crosso
ver)
k
Kondisi
Termi Ya
nasi
Terminasi
Gambar 1. Diagram Alir Algoritma Genetika 3.
KODIFIKASI Matakuliah yang digunakan sebagai contoh dalam memperoleh akurasi penilaian optimal adalah matakuliah Pengantar Intelejensia Buatan (PIB). Pencarian nilai optimal dari setiap atribut softskill ditujukan untuk seluruh matakuliah. Diharapkan nantinya, hasil pencarian dengan Algoritma Genetika ini dapat menemukan sebuah kromosom terbaik, untuk dijadikan standar penilaian bagi dosen dalam menilai kemampuan afektif mahasiswanya. Pada penelitian ini, atribut yang akan mewakili perhitungan dalam Algoritma Genetika diambil secara acak berdasarkan referensi dari lokasi studi kasus. Atribut-atribut tersebut adalah kemampuan berkomunikasi, kerja sama, berpikir kritis, inisiatif dan kemampuan analitis. Tabel 5. Pengkodean Matakuliah dan Atribut Softskill
K1 sampai dengan K30 adalah kromosom. X1 – X5 adalah variabel yang terdiri dari gen-gen dengan bit 0 dan 1. Selanjutnya akan diproses cara memperoleh nilai fitness.
4.2 Nilai Fitness Pada setiap generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut. Misalkan N adalah jumlah individu (kromosom) dalam suatu populasi. Pos adalah Standar penilaian diambil berdasarkan pada posisi individu dalam populasi tersebut (posisi persentase penilaian yang diberikan pada unsur terendah suatu individu adalah Pos = 1, dan posisi penilaian atribut softskill, yakni 20% dari total tertingginya adalah Pos = N). Sedangkan SP adalah keseluruhan unsur penilaian. Penilaian yang selective pressure, di mana probabilitas dari individu terbentuk diharapkan berkisar antara 1 hingga 20 terbaik yang akan diseleksi dibandingkan dengan untuk setiap atribut softskill. Total nilai dari atribut rata-rata probabilitas dari semua individu yang softskill yang diharapkan adalah >= 75.00000, diseleksi. Nilai fitness suatu individu dapat dihitung artinya jika perhitungan Algoritma Genetika sebagai : menemukan kromosom dengan total nilai >= Fitness (Pos) = 2 – SP + 2(SP – 1) (Pos – 1) / (N – 75.00000 (sama atau lebih besar daripada 75), maka 1) kromosom tersebut terpilih sebagai kromosom yang Nilai SP ∈ [1,2]. mewakili nilai-nilai atribut softskill yang optimal. Berikut perhitungan nilai fitness masing-masing kromosom : 4. IMPLEMENTASI ALGORITMA F(1) = ((2 – 1.5 ) + 2(1.5 – 1)(1 – 1)) / (10 – 1) GENETIKA = (0.5 + 2(0.5)(0)) / 9 4.1 Kodifikasi = 0.01724 Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011 3
F(2) = ((2 – 1.5) + 2(1.5 – 1)(2 – 1)) / (10 – 1) = (0.5 + 2(0.5)(1)) / 9 = 0.05172 Tabel 7. Nilai Fitness Setiap Kromosom
lebih kecil dari pc. Kromosom-kromosom terpilih mengalami proses penyilangan sebagai berikut : Tabel 8. Kromosom Induk
Tabel 9. Kromosom Anak (Off-spring)
4.5 Mutasi Proses mutasi dimulai dengan menghitung jumlah bit pada populasi dimana : Jumlah bit = Ukuran Populasi (popsize) * Jumlah Gen Tabel 7. menunjukkan nilai fitness setiap kromosom. Susunan kromosom pada tabel 7 menjadi populasi awal dalam proses Algoritma Genetika. Pada penelitian ini, semua perhitungan dilakukan dengan ketelitian 5 angka di belakang koma. 4.3 Seleksi Roulettewheel (Roda Roulette) Metoda Roulettewheel menempatkan masingmasing kromosom pada potongan lingkaran secara proporsional sesuai dengan nilai fitness-nya. Kromosom yang memiliki nilai fitness lebih besar menempati potongan lingkaran yang lebih besar dibandingkan dengan kromosom bernilai fitness rendah. Untuk dapat melakukan seleksi kromosom, langkah-langkah yang harus dilakukan adalah sebagai berikut : a. Menentukan fitness relative (pk) tiap kromosom p1 = F1 / Total Fitness = 0.01724 / 15.51724 = 0.00111 b. Menentukan fitness kumulatif (qk) tiap kromosom q1 = p1 = 0.00111 c. Membangkitkan bilangan random sebanyak jumlah kromosom. d. Membuat interval nilai fitness kumulatif setiap kromosom.
4.6 Analisa Hasil Komputasi Perolehan nilai fitness dihasilkan dari perubahan bit-bit yang mengalami crossover ataupun mutasi. Bit-bit yang terdapat dalam gen-gen di setiap kromosom merupakan bit-bit yang optimal untuk memperoleh nilai setiap variabel yang telah dipresentasikan melalui gen-gen. Berikut perhitungan untuk memperoleh nilai setiap variabel yang mewakili atribut softskill berdasarkan persamaan solusi : x = rb + (ra – rb) (g1x2-1 + g2x2-2 + ...+ g10x2-n) Keterangan : x = variabel mewakili atribut softskill ra = batas atas interval nilai rb = batas bawah interval nilai g = gen-gen setiap variabel 2-n = jumlah gen dalam variabel Kromosom terbaik diambil di tiap generasi dan dapat dilihat pada tabel berikut : Tabel 10. Nilai Atribut Softskill Terbaik Tiap Generasi
4.4 Crossover Peluang crossover (pc) adalah salah satu parameter yang menunjukkan rasio dari anak (offspring) yang dihasilkan dalam setiap generasi. p c yang digunakan adalah 0.25 dengan cara one-point crossover. Proses pemilihan kromosom yang akan di-crossover dengan membangkitkan bilangan random. Kromosom yang dipilih sebagai induk adalah kromosom yang memiliki bilangan random Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011
4
Perolehan nilai atribut softskill bervariasi. Namun pencarian Algoritma Genetika ini berujung pada nilai fitness dan nilai X yang konvergen. Mulai dari generasi ke-8 terlihat bahwa pencarian solusi mengarah pada nilai yang sama, yakni nilai fitness terbaik 1.01742 dan total nilai X terbaik adalah 76.25000. Artinya, X yang diperoleh adalah dari nilai setiap variabel X yang mewakili atribut softskill, yaitu : X1 Kemampuan Berkomunikasi 18.81000 X2 Kerja Sama 6.93800 X3 Berpikir Kritis 18.81000 X4 Inisiatif 14.06000 X5 Kemampuan Analitis 17.63000 Nilai-nilai tersebut adalah nilai optimal yang dihasilkan melalui pencarian dengan Algoritma Genetika. Hasil keseluruhan, yakni 76.25000 ternyata mampu melebihi standar yang ditetapkan dalam penelitian ini yakni >=75.00000. Sebagai bahan analisa, digunakan nilai softskill beberapa mahasiswa di semester ganjil. Tabel 11. Nilai Atribut Terhadap Suatu Matakuliah
Softskill
Mahasiswa
Jika dilihat dari hasil setiap variabel, terdapat perbedaan nilai dari standar optimal perolehan Algoritma Genetika. Perbedaan nilai ini menjadikan hasil Algoritma Genetika belum mencapai keputusan yang diharapkan untuk penilaian terhadap kemampuan softskill seorang mahasiswa. Agar sampai pada tujuan, harus dilihat nilai penyimpangan atau nilai selisih atau nilai deviasi untuk menghasilkan interval nilai keputusan guna mewakili penilaian terhadap kemampuan mahasiswa tersebut. Nilai deviasi adalah nilai selisih antara nilainilai optimal dengan nilai-nilai mahasiswa yang terdapat pada tabel 2.10. Nilai deviasi dibutuhkan untuk melihat sejauh mana penyimpangan nilai terdahulu dari nilai optimal hasil Algoritma Genetika. Nilai-nilai deviasi dapat dilihat pada tabel 12. Tabel 12. Nilai Deviasi Atribut Softskill
Tabel 12. memperlihatkan nilai deviasi yang bervariasi untuk setiap variabel. Nilai deviasi diperoleh dari selisih antara nilai variabel optimal dengan nilai variabel softskill mahasiswa rata-rata di bawah 3%. Nilai negatif muncul akibat perolehan nilai mahasiswa melebihi standar optimal. Artinya semakin kecil perbedaan nilai mahasiswa dengan standar optimal yang ada, maka semakin baik kemampuan softskill mahasiswa tersebut. Sebaliknya, jika semakin besar perbedaan yang terjadi, maka semakin kurang kemampuan softskill mahasiswa tersebut. Untuk dapat mengukur kemampuan mahasiswa, baik kemampuan mahasiswa terhadap setiap atribut softskill maupun kemampuan softskill mahasiswa secara keseluruhan, maka dibuat interval nilai yang dapat menggambarkan indikator kemampuan mahasiswa berdasarkan nilai deviasi pada tabel 13. Tabel 13. Interval Nilai Indikator Kemampuan Mahasiswa Berdasarkan Nilai Deviasi
Interval disusun dengan melihat nilai terkecil hingga nilai terbesar yang dihasilkan dari deviasi. Pada studi kasus penelitian ini, penilaian kemampuan mahasiswa diukur dalam tiga indikator, yaitu baik, sedang dan kurang. Penentuan kemampuan mahasiswa dilihat dari nilai mahasiswa yang masuk dalam range interval nilai indikator kemampuan mahasiswanya. Tabel 14. Indikator Penilaian Softskill Setiap Mahasiswa
Namun dari hasil pengujian ini juga memperlihatkan kemungkinan bahwa mahasiswa yang indikator kemampuan softskill-nya baik, belum Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011
5
tentu memiliki indikator kemampuan yang baik pula pada seluruh atribut softskill-nya. Perbedaan indikator pada lebih dari satu atau dua atribut, dapat mempengaruhi kesimpulan akhir tentang kemampuan softskill mahasiswa tersebut. Hasil pengujian ini dapat disosialisasikan ke mahasiswa supaya mahasiswa termotivasi memperkecil jarak nilai softskill mereka dengan standar yang telah ditetapkan karena sekecil apapun kemampuan seorang mahasiswa akan tetap dihargai. Secara logika, tidak ada mahasiswa yang tidak memiliki kemampuan softskill sama sekali. Adanya standar penilaian yang diperoleh dari proses Algoritma Genetika ini, diharapkan dapat memotivasi semangat belajar mahasiswa. Mahasiswa tidak perlu mencapai nilai maksimal untuk memperoleh predikat terbaiknya. Seorang dosen sudah dapat mengetahui kemampuan mahasiswa dan menghargainya dengan melihat pencapaian nilai-nilai tersebut yang mengacu pada standar optimalnya. Pencapaian tersebut membuat mahasiswa merasa dihargai usahanya dalam memahami sebuah matakuliah karena kemampuan setiap mahasiswa tidak sama. Selain itu, penilaian atribut softskill ini dilakukan oleh dosen di kelas setiap kali pertemuan, sehingga perkembangan softskill seorang mahasiswa dapat diketahui setiap saat dan lebih objektif. Hal ini akan menjadi motivasi tersendiri dalam diri mahasiswa untuk belajar lebih giat lagi. 5.
KESIMPULAN Penggunaan Algoritma Genetika dalam mengoptimalkan akurasi penilaian SCL merupakan penelitian untuk mencari nilai optimal dari setiap atribut softskill yang merupakan bagian dari metoda pembelajaran SCL. Berdasarkan penelitian ini dapat disimpulkan bahwa : 1. Algoritma Genetika dapat digunakan untuk mengoptimalkan akurasi penilaian khususnya atribut softskill pada metoda SCL dengan cara : a. Melakukan kodifikasi terhadap matakuliah dan atribut-atribut softskill yang digunakan dalam proses Algoritma Genetika yang dipresentasikan dalam bentuk biner dengan menentukan jumlah atribut yang akan dioptimasi, yakni satu matakuliah untuk sample dan lima atribut softskill sebagai variabel. b. Menentukan jumlah bit yang mengkodekan setiap variabel, yakni empat bit. c. Menentukan jumlah gen dalam kromosom, yakni 20 gen. d. Menentukan batas bawah dan batas atas dari interval nilai variabel, yakni 1 dan 2. e. Menentukan parameter yang akan digunakan selama proses Algoritma Genetika berlangsung, yakni crossover 0.25 dan mutasi 0.01. f. Menentukan ukuran populasi di awal proses, yakni 30.
g.
h. i.
j.
k.
l.
2.
Menemukan nilai fitness setiap kromosom berdasarkan langkah-langkah yang telah dilakukan sebelumnya (a-f). Melakukan seleksi dengan Rouletteweel. Melakukan Crossover terhadap bit-bit kromosom terpilih berdasarkan nilai parameter yang ditentukan dengan bantuan bilangan random. Melakukan Mutasi terhadap bit-bit kromosom terpilih berdasarkan nilai parameter yang ditentukan dengan bantuan bilangan random. Menentukan kromosom terbaik di setiap generasi berdasarkan nilai fitness dan nilai variabel yang diperoleh tiap kromosom. Melakukan proses Algoritma Genetika ini secara berulang hingga menemukan kromosom terbaik yang mewakili nilai-nilai variabel yang paling optimal, yakni : X1 Kemampuan Berkomunikasi 18.81 X2 Kerja Sama 6.938 X3 Berpikir Kritis 18.81 X4 Inisiatif 14.06 X5 Kemampuan Analitis 17.63 Total Nilai Variabel 76.25000 Sosialisasi nilai-nilai atribut softskill yang optimal hasil proses Algoritma Genetika, dapat memotivasi semangat belajar mahasiswa, karena menjadi standar penilaian yang dapat mengukur kemampuan sofskill mahasiswa secara objektif tanpa perlu mencapai nilai maksimal untuk memperoleh predikat terbaiknya. Mahasiswa akan merasa lebih dihargai untuk setiap kemampuannya sehingga pada akhirnya akan meningkatkan hasil belajar mahasiswa itu sendiri.
PUSTAKA Anita Desiani & Muh. Arhami, “Konsep Kecerdasan Buatan”, Penerbit Andi Yogyakarta 2006 Gen, M dan Cheng, R, “Genetic Algorithm and Engineering Design”, Ashikaga Institute of Technology Ashikaga, Japan, A WileyInterscience Publication, John Wiley & Sons, Inc (1997) Halim – Yunus Abdul, “Jaringan Syaraf Backpropagation & Algoritma Genetika Untuk Meramalkan Indeks Harga Saham Gabungan” Sistem Pendidikan Tinggi, Helts Tahun 2003-2010 SK. Mendiknas No.045/U/2002 Sri Kusumadewi, “Artificial Intelligence (Teknik dan Aplikasinya)”, Penerbit Garaha Ilmu Sri Kesumadewi – Hari Purnomo, “Penyelesaian Masalah Optimasi Dengan Teknik-teknik Heuristik”, Penerbit Graha Ilmu Suyanto, “Algoritma Genetika Dalam Matlab”, Penerbit Andi Yogyakarta 2005 The International Comission on Education for the 21 st Century, UNESCO
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011
6
Tim Kerja Direktorat Pembinaan Akademik dan Kemahasiswaan, Direktorat Jendral Pendidikan Tinggi Departemen Pendidikan Nasional, 2005 Jurnal “SCL”, oleh Bob Bender, University of Missouri Columbia, 27 Mei 2003 Jurnal “Pengenalan Algoritma Genetika”, oleh Aries Syamsudin, 2004 Jurnal “Representasi Chromosome Algoritma Genetika Dalam Bentuk Biner”, oleh Denny Hermawanto, 2006 Jurnal “Aplikasi Algoritma Genetika”, oleh Sanjoyo, Juni 2006 Jurnal “Ragam Sumber Belajar”, oleh Unes A. Chaeuman, 20 Januari 2009 Jurnal “Pendekatan Spices dan Problem Base Learning (PBL)”, oleh dr. Ahmad Aulia Jusuf, Phd, 2009 Jurnal “Optimasi Kapasitas Komponen Pembangkit Listrik Hybrid PV/WG Menggunakan Algoritma Genetika”, oleh Julius A. Tanesab – Marthen Liga, 26 Maret 2010 Jurnal “23 Atribut Softskill Hasil Survey NACE USA Mengenai Kualitas Perguruan Tinggi Yang Diharapkan Dunia Kerja”
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011
7
