Anda di halaman 1dari 13

ABSTRAK

Penjadwalan kelas atau yang disebut timetabling merupakan suatu


permasalahan yang sering dihadapi oleh setiap perguruan tinggi. Setiap perguruan
tinggi memiliki kebijakan tersendiri dalam penyusunan jadwal kelas, dan mungkin
masing-masing perguruan tinggi mempertimbangkan kendala-kendala yang
berbeda. Di perguruan tinggi Universitas Telkom Bandung, terdapat puluhan
jurusan dan kelas yang memiliki masing-masing matakuliah berbeda yang harus
dijadwalkan. Hal tersebut merupakan permasalahan yang serius dan menyebabkan
sulitnya menemukan jadwal yang optimal dan efisien. Selama ini penjadwalan
kuliah masih dilakukan secara manual sehingga membutuhkan waktu yang cukup
lama. Pada penelitian ini membahas tentang implementasi metode hibridisasi
algoritma genetika adaptif dengan algoritma koloni lebah buatan untuk
menyelesaikan permasalahan penjadwalan kelas di perguruan tinggi Universitas
Telkom Bandung. Algoritma genetika adaptif merupakan algoritma heuristik yang
memiliki sifat mencari kemungkinan-kemungkinan kandidat solusi untuk
mendapatkan solusi yang optimal untuk menyelesaikan permasalahan
penjadwalan kelas. Data yang digunakan dalam penelitian ini adalah data
mahasiswa dan matakuliah pada semester satu serta data dosen yang mengajar
terkait matakuliah semester satu Fakultas Teknik di perguruan tinggi Universitas
Telkom Bandung.
Hipotesis pada penelitian yang akan dilakukan menggunakan data nyata,
akan diperoleh hasil yang menunjukan bahwa hibridisasi algoritma genetika
adaptif dengan algoritma koloni lebah dapat diimplementasikan kedalam
permasalahan penjadwalan kelas di perguruan tinggi Universitas Telkom Bandung
dan mampu memperoleh hasil solusi yang lebih optimal dan efisien dalam
meminimalkan jumlah bentrokan jadwal matakuliah dibandingkan hanya
menggunakan algoritma genetika biasa.
Kata kunci: algoritma genetika adaptif, algoritma koloni lebah buatan,
penjadwalan kelas, timetabling, hibridisasi

BAB 1
PENDAHULUAN
1.1. Latar Belakang
Penjadwalan merupakan suatu cara untuk mengalokasikan sebuah
rangkaian kegiatan atau schedule agar dapat berjalan dengan baik dengan
waktu yang efisien dan optimal. Penjadwalan masih menjadi sebuah
permasalahan serius yang dihadapi oleh universitas pada saat merencanakan
pembagian kelas, waktu, maupun matakuliah yang akan berlangsung dengan
memperhatikan batasan dan syarat tertentu. Permasalahan pada penjadwalan
terletak pada lebih banyaknya mata kuliah dibandingkan jumlah ruangan
yang tersedia, kesesuaian kapasitas ruangan dengan jumlah mahasiswa serta
harus menyesuaikan jadwal yang dapat dihadiri oleh dosen pada hari dan
jam tertentu. Penjadwalan perkuliahan diharapkan dapat merata tiap harinya
untuk setiap kelas. Penjadwalan matakuliah akan semakin sulit jika
melibatkan semakin banyak kelas perangkatannya serta banyaknya
mahasiswa semester atas yang mengambil kembali matakuliah pada
semester satu. Batasan atau syarat yang diberlakukan pada saat penjadwalan
disebut kendala atau juga disebut constrain. Pada penelitian ini constrain
yang di berlakukan pada permasalahan yang diangkat yaitu; tidak ada kelas
yang memilki jadwal matakuliah berurutan lebih dari tiga matakuliah, tidak
ada dosen yang mengajar berurutan lebih dari dua matakuliah, tidak ada
kelas yang memilki lebih dari satu matakuliah yang berlangsung pada jam
yang bersamaan dan Menyesuaikan jadwal matakuliah dengan hari dan jam
yang dapat dihadiri oleh dosen.
Terdapat beberapa metode yang dapat diimplementasikan pada saat
proses penjadwalan, misalkan metode sequential coloring graph [1], akan
tetapi tidak cukup efektif karena metode tersebut merupakan metode
pencarian heuristic yang secara perbandingan dengan penelitian belakangan
ini, teknik tersebut masih kurang baik. Dalam dua dekade kebelakang
terdapat pengembangan dari metode heuristic yang lebih canggih, yaitu
metode pencarian meta-heuristic. Metode meta-heuristic dapat dibagi
menjadi dua tipe yaitu dengan pendekatan satu solusi dan pendekatan
populasi. Contoh dari pendekatan satu solusi berdasarkan meta-heuristic
yakni, simulated annealing [2], tabu search [3], variable neighborhood
search [4], large neighborhood search [5], local search [6], dan the great
deluge algorithm [5]. Pada pendekatan populasi yakni, genetic algorithm,
ant colony algorithm, honey bee mating algorithm, harmony search, dan
artificial bee colony algorithm [7].
Pada beberapa tahun kebelakang, pendekatan meta-heuristic hybrid
terbukti lebih efektif dalam menyelesaikan permasalahan penjadwalan di
perguruan tinggi. Pada penelitian ini, penulis akan melakukan hibridisasi
dua metode yaitu algoritma genetika adaptif dan algoritma koloni lebah
buatan

Tujuan penilitian ini diharapkan dapat memberikan solusi terbaik dan


optimal dalam meminimalkan jumlah bentrokan jadwal matakuliah pada
saat penjadwalan matakuliah semester satu Fakultas Teknik di Universitas
Telkom.

1.2. Perumusan Masalah


Rumusan masalah dalam penelitian ini diantaranya sebagai berikut:
1. Bagaimana mengimplementasikan hibridisasi algoritma genetika
adaptif dengan algoritma koloni lebah buatan dalam penjadwalan
perkuliahan?
2. Bagaimana perbandingan performansi antara algoritma genetika dengan
hibridisasi algoritma genetika adaptif dan algoritma koloni lebah buatan
dalam kasus penjadwalan perkuliahan?
Agar penelitian ini sesuai dengan tujuan penulis sehingga tidak
menyimpang dan meluas dari pembahasan, maka diperlukan suatu
pembatasan masalah. Batasan masalah pada penilitian ini diantaranya
sebagai berikut:
1. Data yang digunakan untuk pengujian model adalah data mahasiswa
dan matakuliah pada semester satu beserta data dosen yang mengajar
sesuai matakuliah pada semester satu.
2. Data yang digunakan hanya data angkatan 2014/2015 Fakultas Teknik
Universitas Telkom.
1.3. Tujuan
Tujuan dari penilitian ini diantaranya sebagai berikut:
1. Mengetahui hasil dari implementasi hibridisasi algoritma genetika adaptif
dan algoritma koloni lebah buatan dalam penjadwalan perkuliahan.
2. Mengetahui perbandingan tingkat performansi antara algoritma genetika
dengan hibridisasi algoritma genetika adaptif dan algoritma koloni lebah
buatan dalam kasus penjadwalan perkuliahan

1.4. Metodologi Penyelesaian Masalah


Untuk menyelesaikan tugas akhir ini digunakan beberapa metodologi,
diantaranya sebagai berikut:
1.4.1. Studi Literatur
Mempelajari dan memahami konsep dasar algoritma genetika
adaptif dan algoritma koloni lebah buatan melalui referensi, jurnal,
artikel, dan sumber-sumber lainnya yang terkait dengan optimasi
penjadwalan dengan menggunakan metode pendekatan hibridisasi
algoritma genetika dan algoritma koloni lebah buatan.
1.4.2. Pengumpulan Data
Data mahasiswa pada semester satu dan data dosen yang
mengajar sesuai matakuliah semester satu Fakultas Teknik di
Universitas Telkom tahun angkatan 2014/2015 diperoleh dari
Program Perkuliahan Dasar dan Umum(PPDU).

1.4.3. Analisis dan Perancangan Sistem


Data yang telah diperoleh selanjutnya dianalisis untuk
mengetahui kendala pada data tersebut. Kemudian menyesuaikan
kendala yang ada pada data tersebut, pada saat diimplementasikan
kedalam hibdirsasi algoritma genetika adaptif dan algoritma koloni
lebah buatan dengan memperhatikan solusi-solusi yang dihasilkan
agar mendapatkan solusi yang optimal dalam meminimalkan jumlah
bentrokan jadwal matakuliah pada penjadwalan perkuliahan
1.4.4. Implementasi Sistem
Rancangan sistem yang telah dibuat kemudian dilakukan
pengujian menggunakan data nyata yang telah diperoleh.
1.4.5. Analisis Hasil Implementasi
Pada bagian ini dilakukan analisis terhadap hasil dari
implementasi hibridisasi algoritma genetika adaptif dan algoritma
koloni lebah buatan untuk menentukan mampu atau tidaknya dalam
memecahkan kasus permasalahan penjadwalah perkuliahan, lalu
membandingkan hasil solusi tersebut dengan solusi yang dihasilkan
dengan menggunakan algoritma genetika biasa.
1.4.6. Pembuatan laporan
Berdasarkan Implentasi sistem dan analisis yang telah
diperoleh, akan dibuat hasil laporan tugas akhir.

1.5. Hipotesis
Hipotesis dalam penelitian ini adalah hasil dari hibridisasi algoritma
genetika adaptif dan algoritma koloni lebah buatan mampu
diimplementasikan kedalam permasalahan penjadwalan perkuiahan dan
dapat menghasilkan solusi yang optimal dalam meminimalkan jumlah
bentrokan jadwal matakuliah dibandingkan hanya menggunakan algoritma
genetika biasa.

1.6. Jadwal Kegiatan


No

Kegiatan

Studi Literatur

Pengumpulan
Data

Perancangan
Sistem

Implementasi
Sistem

Analisis
Hasil
Implementasi
Sistem

Penyusunan
Laporan

Bulan ke-1

Bulan ke-2

Bulan ke-3

Bulan ke-4

Bulan ke-5

Bulan ke-6

Tabel 1. Tabel jadwal kegiatan.

BAB 2
TINJAUAN PUSTAKA
2.1. Penjadwalan (Time Tabling)
Penjadwalan adalah sebuah mekanisme untuk mengalokasikan sebuah
rangkaian kegiatan atau schedule agar dapat berjalan dengan baik dengan
waktu yang efisien dan optimal. Pada saat penjadwalan, permasalahan yang
dihadapi adalah menentukan constrain dari kendala-kendala yang ada.
Terdapat dua constrain yang harus diperhatikan pada penjadwalan yaitu soft
constrain dan hard constrain. Hard constrain adalah kendala-kendala yang
tidak boleh dilanggar, sedangkan soft constrain adalah kendala-kendala
yang diperbolehkan. Permasalahan pada penjadwalan diharuskan melakukan
pemeriksaan telebih dahulu untuk setiap kendala-kendala yang muncul
bertujuan meminimumkan pelanggaran pada soft constrain (Carter dan
Laporte, 1996). Penjadwalan akan dianggap layak atau sesuai jika tidak ada
hard constrain yang dilanggar[8].
Hard constraints merupakan batas-batas yang harus diterapkan pada
penjadwalan mata kuliah dan harus dipenuhi. Solusi yang tidak melanggar
hard constraints disebutsolusi layak. Hard constraints yang umum dalam
penjadwalan mata kuliah adalah sebagai berikut:
1. Seorang dosen hanya dapat memberikan kuliah untuk satu lokasi pada
waktu tertentu.
2. Seorang mahasiswa hanya dapat mengikuti untuk satu lokasi pada
waktu tertentu.
3. Sebuah lokasi (ruangan) hanya dapat digunakan untuk satu mata kuliah
pada waktu tertentu.
4. Mahasiswa tidak dapat dialokasikan pada suatu lokasi yang
menyebabkan lokasi melebihi kapasitas maksimum.
Soft constraints didefinisikan sebagai batas-batas mengenai alokasi
sumber daya yang jika dilanggar masih dapat menghasilkan solusi yang
layak tetapi sedapat mungkin untuk dipenuhi. Dalam kenyataannya, masalah
penjadwalan mata kuliah biasanya tidak mungkin untuk memenuhi semua
soft constraints. Kualitas jadwal yang layak dapat dinilai berdasarkan
seberapa baik soft constraints dapat dipenuhi. Namun, beberapa masalah
yang kompleks sulit menemukan solusi yang layak. Sebagai contoh, soft
constraints yang mungkin ingin dicapai dalam jadwal sehubungan dengan
aspek mata kuliah adalah meminimalkan terjadinya jadwal mata kuliah yang
beturut-turut.
Beberapa univeristas dengan jumlah mata kuliah yang akan
dijadwalkan dan berbagai constraints yang harus dipertimbangkan membuat
penyusunan jadwal mata kuliah menjadi sangat sulit (Petrovic dan Burke,
2004).

2.2. Algoritma genetika


Algoritma genetika adalah algoritma yang memanfaatkan proses
seleksi alamiah yang dikenal dengan proses evolusi [9]. Algoritma genetika
tidak banyak memerlukan konsep matematika, dan dapat memperlakukan
semua bentuk fungsi tujuan dan kendala (Gen dan cheng:2000). Algoritma
ini berdasarkan pada proses genetik yang ada dalam makhluk hidup; yaitu
perkembangan generasi dalam sebuah populasi yang alami, secara lambat
laun mengikuti prinsip seleksi alam atau siapa yang kuat, dia yang bertahan
(survive). Dengan meniru teori evolusi ini, algoritma genetika dapat
digunakan untuk mencari solusi permasalahan-pemasalahan dalam dunia
nyata[10].
2.2.1. Struktur Umum Algoritma genetika
Algoritma genetika memilki struktur umum, antara lain:
1. Populasi, istilah pada teknik pencarian yang dilakukan
sekaligus atas sejumlah kemungkinan solusi.
2. Kromosom, individu yang terdapat dalam satu populasi dan
merupakan suatu solusi yang masih berbentuk symbol.
3. Generasi, populasi wala dibangun secara acak sedangkan
populasi selanjutnya merupakan hasil evolusi kromosomkromosom melaluin iterasi.
4. Fungsi Fitness, alat ukur yang digunakan untuk proses evaluasi
dari suatu kromosom. Nilai fitness suatu kromosom akan
menunjukan kualitas dalam populasi tersebut.
5. Anak (offspring), gabungan dari dua kromosom generasi
sekarang yang bertindak sebagai induk (parent) dengan
menggunakan operator penyilang (crossover).
6. Mutasi, operator untuk memodifikasi kromosom.
2.2.2. Fungsi Fitness
Fungsi fitness adalah fungsi yang akan mengukur tingkat
kualitas suatu kromosom dalam populasi. Semakin besar nilai
fitness, semakin bugar pula kromosom dalam populasi sehingga
semakin besar kemungkinan kromosom tersebut dapat tetap
bertahan pada generasi berikutnya. Individu-individu dalam
populasi telah terbentuk, maka langkah selanjutnya adalah
menghitung nilai fitness setiap individu. Penghitungan dilakukan
dengan memberikan pinalti untuk setiap aturan yang digunakan
dalam penjadwalan [11]. Semakin wajib aturan dilaksanakan, maka
akan semakin besar nilai pinalti yang diberikan. Berikut aturan
perhitungan fungsi fitness:
Fitness =

dimana :

(2.1)
Pinalti = BpNp

sehingga :

Fitness =

(2.2)

Keterangan :
Bp : Bobot pelanggaran
Np : Indikator pelanggaran
2.2.3. Pindah silang (Cross over)
Pada proses pindah silang terjadi kombinasi pewarisan gengen dari induknya, gen-gen dari kedua induk dapat bercampur
sehingga dihasilkan susunan kromosom yang baru. Dari proses
tersebut akan dihasilkan variasi genetik [12].
Dengan suatu skema tertentu, dua individu dipilih sebagai
orang tua. Setelah didapatkan dua individu orang tua, selanjutnya
ditentukan titik pindah silang secara acak, jika diasumsikan L adalah
panjang kromosom, maka titik pindah silang berada antara 1 sampai
L-1. Kemudian beberapa bagian dari dua kromosom ditukar pada
titik pindah silang yang dipilih. Titik pindah silang adalah titik
terjadinya pertukaran gen antar dua individu orang tua. Pertukaran
tersebut akan menghasilkan dua individu anak. Bagaimanapun,
operasi pindah silang tidak selamanya berhasil. Peluang keberhasilan
operasi pindah silang dinyatakan dengan probabilitas pindah silang
atau Pc. Terdapat tiga skema pindah silang yang biasa digunakan,
yaitu:
1. Pindah silang 1 point cross-over
2. Pindah silang N-point cross-over
3. Pindah silang uniform cross-over
Contoh rekombinasi 1 point cross-over :
K1
K2

1
0

A1

A2

Gambar 1. Contoh cross over.

2.2.4. Mutasi
Tujuan permutasi yaitu untuk mengubah salah satu atau
lebih bagian dari kromosom. Mutasi terjadi secara acak pada setiap
gen dan bersifat bebas pada setiap gen. Mutasi yang terjadi pada
satu gen tidak mempengaruhi terjadinya mutasi pada gen lain.
Mutasi dapat dilakukan dengan cara mengubah nilai gen pada suatu
kromosom , atau dengan menukar satu gen pada sebuah kromosom
dengan gen yang terdapat pada kromosom lain (posisi gen yang
ditukar harus sama). Contoh :
K1

A1

Gambar 2. Contoh mutasi.

2.2.5.

Seleksi Survivor

Seleksi survivor dilakukan untuk memilih kromosom mana


yang layak untuk dipertahankan, dan kromosom mana yang akan
digantikan oleh generasi baru (anak). Seleksi survivor ada 2 macam
yaitu steady state dan general replace :
1. Steady State : mengganti 2 buah kromosom yang memiliki nilai
fitness terkecil dengan kromosom generasi baru.
2. General Replace : Mengganti seluruh kromosom lama dengan
kromosom baru

2.3. Algoritma Koloni Lebah Buatan (Artificial Bee Colony


Algorithm)
ABC diklasifikasikan menggunakan pendekatan seperti kawanan
lebah. Secara umum, terdapat tiga tipe lebah yang bekerja sama dalam
mencari makanan yakni, lebah pekerja, lebah pemeriksa dan lebah pencari.
Lebah pemeriksa dan lebah pencari dapat dianggap lebah yang tidak
banyak bekerja. Lebah pekerja mencari sumber makanan berdasarkan
ingatan mereka dan kumpulan informasi sumber makanan yang diberikan
oleh lebah pemeriksa pada saat kembali ke sarang. Lebah pemeriksa
cenderung memilih sumber makanan yang bagus berdasarkan informasi
yang diberikan oleh lebah pekerja dengan cara tarian sayap dan juga
menjelajah mencari sumber makanan baru disekitar sumber makanan yang
telah dipilih, sedangkan lebah pencari cenderung meninggalkan sumber
makanan lama dan mencari sumber makanan baru.
Algoritma ABC merupakan pendekatan dimana agen berkomunikasi
dan bekerjasama dangan satu sama lain dalam menjelajah mencari sumber
makanan (kemungkinan solusi untuk masalah optimasi) dengan menilai
kualitas nectar (biaya atau fitness untuk masalah optimasi)[13].
Di alam, lebah pemeriksa cenderung memilih sumber makanan yang
diinformasikan oleh lebah pekerja dengan jumlah nektar yang lebih tinggi.
Untuk meniru fenomena ini, skema yang digunakan pada lebah pemeriksa
adalah bertugas menilai kualitas solusi yang memilki probabilitas yang
lebih tinggi.

(2.3)

Pada persamaan (2.3), dan


adalah nilai probabilitas dan nilai
fitness yang diasosiasikan dengan sumber makanan i. Serupa dengan fase
lebah pekerja, fase lebah pemeriksa menghasilkan modifikasi sumber
makanan yang dipilih dan ingatan sumber baru berdasarkan skema seleksi
greedy. Proses ini diulang sampai semua lebah pemeriksa menyelesaikan
proses pencarian. Berikut langkah dasar utama dari algoritma koloni lebah
buatan, diantaranya:

2.3.1. Fase inisialisasi parameter dan populasi


Parameter dari algoritma koloni lebah buatan adalah jumlah
sumber makanan (SN), jumlah dari sumber makanan yang diuji
adalah menjadi batasan (limit) dan kriteria berhenti. Jumlah dari
sumber makanan harus sama dengan jumlah lebah pekerja atau
lebah pemeriksa. Inisialisasi populasi diisi dengan SN jumlah dari
sumber makanan yang dihasilkan secara acak, n-dimensi nilai riil
vektor.
Berikan ={ ,
, ,
} mewakili i sumber makanan
dalam populasi. Sumber makanan dihasilkan sebagai berikut:
=
+(
)xr
= 1,2,, n dan i =1, 2,, SN
Dimana r adalah uniform nilai acak dari range [0,1];
adalah lower bond dan upper bond untuk dimensi j.

(2.4)

dan

2.3.2. Fase lebah pekerja


Dalam fase ini, setiap lebah pekerja
mencari sumber
makanan baru
yang berada di sekitar sumber makanan
sebelumnya atau solusi terbaik, sebagai berikut:
=

+(

) x r

(2.5)

Dimana k {1, 2,, SN} k i dan j {1 ,2,, n} secara


acak dipilih dari indeks. r adalah nilai tetap distribusi nomor riil [1,1].
akan dibandingkan dengan
, jika fitness dari
adalah sama atau lebih baik dari
,
akan menggantikan
sebagai sumber makanan baru.
2.3.3. Fase lebah pemeriksa
Lebah pemeriksa mengevaluasi semua lebah pekerja dan
memilih sumber makanan
bergantung pada nilai probabilitas
yang dihitung menggunakan persamaan (2.3).
Lebah pemeriksa akan mengeksekusi dan memperbarui
menggunakan persamaan (2.5), jika sumber makanan baru adalah
sama atau lebih baik dari nilai , sumber makanan baru akan
menggantikan sebagai individu baru dalam populasi.
2.3.4. Fase lebah pencari
Jika sumber
tidak bisa digantikan lewat perkiraan jumlah
dari batasan (limit), sumber makanan akan di tinggalkan dan lebah
pekerja akan menjadi lebah pencari. Pencarian akan menghasilkan
sumber makanan baru secara acak menggunakan persamaan (2.4)
dan persamaan (2.3 ) (2.5) diulang sampai perhentian terakhir.

10

BAB 3
PERANCANGAN SISTEM
3.1. Deskripsi Sistem
Pada tugas akhir ini, akan dilakukan perancangan sistem yang akan
digunakan untuk memecahkan permasalahan penjadwalan (timetabling)
perkuliahan dengan menggunakan pendekatan hibridisasi algoritma genetika
adaptif dengan algoritma koloni lebah buatan. Tujuan akhir dari sistem ini
adalah mendapatkan solusi yang optimal dalam meminimalkan jumlah
bentrokan jadwal makuliah pada penjadwalan perkuliahan dengan data
acuan yang digunakan yaitu data mahasiswa, dosen, ruangan, matakuliah
dan slot waktu pada semester satu angkatan 2014/2015 Fakultas Teknik di
Universitas Telkom Bandung.

3.2. Perancangan Sistem


Sistem yang akan dirancang pada tugas akhir ini akan terbagi menjadi
beberapa bagian. Bagian pertama memilah atau mensegmen atribut yang
akan diimplementasikan ke dalam algoritma genetika adaptif dan algoritma
koloni lebah buatan. Atribut yang digunakan pada penjadwalan matakuliah
terdiri dari; kelas mahasiswa, dosen pengajar, slot waktu, ruangan dan
matakuliah. Pada penelitian ini, untuk atribut kelas mahasiswa, dosen
pengajar, ruangan dan mata kuliah akan diimplementasikan menggunakan
algoritma koloni lebah buatan untuk mendapatkan solusi-solusi yang
optimal. Kemudian, hasil solusi-solusi yang telah didapatkan diolah kembali
bersamaan dengan atribut slot waktu dengan menggunakan algoritma
genetika adaptif. Berikut adalah alur kerja dari sistem (flowchart system)
yang akan dirancang:

Gambar 3. Flowchart sistem

11

3.3. Data Acuan


Data yang digunakan adalah data yang diperoleh dari PPDU, yaitu
data jadwal matakuliah semester satu angkatan 2014/2015 Fakultas Teknik
di Unversitas Telkom. Data tersebut terdiri dari beberapa atribut, yaitu; hari,
slot waktu, ruangan, kode matakuliah, matakuliah, kelas mahasiswa dan
kode dosen. Berikut sample data yang akan digunakan:
Hari

Shift
10:30 SENIN 12:30
08:30 KAMIS 10:30
10:30 KAMIS 12:30
10:30 SELASA 12:30

Ruangan

Kode Mata
Kuliah

KU3.05.14

MUG1E3

KU3.05.05

MUG1E3

KU3.05.21

MUG2B3

KU3.05.13

MUG2B3

Nama Mata
Kuliah
ALJABAR
LINEAR
ALJABAR
LINEAR
LOGIKA
MATEMATIKA
LOGIKA
MATEMATIKA

Kelas

Dosen

IF-38-01

ADW

IF-38-01

ADW

IF-38-01

SSD

IF-38-01

SSD

Tabel 2. Data sample penjadwalan perkuliahan.

3.4. Skenario Pengujian


Data yang sudah diperoleh kemudian dilakukan preprocessing untuk
menghasilkan dua dataset yaitu dataset pertama berisikan atribut kelas
mahasiswa, dosen, ruangan dan matakuliah. Sedangkan pada dataset kedua
berisikan atribut slot waktu. Kemudian pada dataset pertama diuji
menggunakan algoritma koloni lebah buatan sehingga menghasilkan solusisolusi optimal. Lalu pada dataset kedua dikombinasikan dengan solusisolusi yang telah diperoleh dari hasil dataset pertama dan implementasikan
menggunakan algoritma genetika adaptif untuk mendapatkan solusi-solusi
yang optimal untuk dijadikan jadwal perkuliahan.

12

DAFTAR PUSTAKA
[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]
[11]

[12]
[13]

Carter, M. W., Laporte, G. dan S. Y. Lee. (1996). Examination


timetabling: algorithmic strategies and applications. J. Oper. Res. Soc.,
vol. 47, no. 3, pp. 373-383.
Thompson, J. M. and Dowsland, K. A. (1998). A robust simulated
annealing based examination timetabling system, Comput. Oper. Res.,
vol. 25, no. 78, pp. 637-648.
Kendall, G. and Hussin, N. (2005). An Investigation of a tabu-searchbased hyper-heuristic for examination timetabling, in Multidisciplinary
Int. Scheduling Conf.: Theory and Applicat., New York, pp. 309-328.
Abdullah,S., Burke, E. K. and B. McCollum. (2005). An investigation of
variable neighbourhood search for university course timetabling, in Proc.
2nd Multidisciplinary Int. Conf. Scheduling: Theory and Applicat. pp.
413-427.
Burke, E. K., dan Newall, J. (2003). "Enhancing timetable solutions with
local search methods," Practice and Theory of Automated Timetabling IV,
Lecture Notes in Computer Science 2740, E. K. Burke and P.
Causmaecker, eds., pp. 195-206: Springer Berlin Heidelberg.
Caramia, M., Dell'Olmo, P. dan Italiano, G. F. (2001). "New algorithms
for examination timetabling," Algorithm Eng., Lecture Notes in
Computer Science 1982, S. Nher and D. Wagner, eds., pp. 230-242,
Berlin, Heidelberg: Springer Berlin Heidelberg.
Fong, C.W. Asmuni, H. dan McCollum, B. (2015). A Hibridisasi Swarm
Based Approach to University Timetabling. Johor: Department of
Computer and Mathematics, Faculty of Applied Science and Computing.
Tunku Abdul Rahmah University. Malaysia.
Kahar, M.N. M. dan Kendall, G. (2015). A great deluge algorithm for a
real-world examination timetabling problem. Journal of the Operational
Research Society, 66 (1): 116-133.
Basuki, Achmad. (2003). Algoritma genetika: Suatu Alternatif
Penyelesaian Permasalahan Searching, Optimasi, dan Mechine Learning.
Politeknik Elektronika Negeri Surabaya.ITS. Surabaya.
Firmansyah, E.K., Ahmad,S.S. dan Agustin, N.H. (2012). Kecerdasan
Buatan: Algoritma genetika, Universitas Syarif Hidayatullah Jakarta.
Witary, V. Rachmat, N. dan Innayatulah.(2013). Optimasi Penjadwalan
dengan Menggunakan Algoritma genetika (Studi Kasus: AMIK MDP,
STMIK GI MDP dan STIE MDP ). Jurusan Teknik Informatika STMIK GI
MDP.
Suyanto. Artificial Intelligence : Searching Reasoning Planning
Learning. (2014). Bandung: INFORMATIKA.
K. Z. Gao, P. N. Suganthan, T. J. Chua, C. S. Chong, T. X. Cai and P. Q.
Pan. (2015). A two-stage artificial bee colony algorithm scheduling
flexible job-shop scheduling problem with new job insertion. Singapore:
Nanyang Technological University.

13