1

DRAF PROPOSAL

Judul Proposal : Hybrid Algoritma Particle Swarm

Optimization (PSO) dengan Simulated

Annealing (SA) pada Penjadwalan

Matakuliah

Nama Mahasiswa : Aal Algebra R. Laega

Nim Mahasiswa : 60600112014

I. PENDAHULUAN
A. Latar Belakang

Penjadwalan mata kuliah merupakan kegiatan yang sangat penting dalam

proses belajar mengajar pada jurusan di universitas atau perguruan tinggi.

Penjadwalan mata kuliah dikatakan baik jika memiliki distribusi mata kuliah yang

merata setiap harinya untuk setiap tingkatnya tanpa mengalami kendala dalam

proses perkuliahan. Penjadwalan mata kuliah di sebuah perguruan tinggi

merupakan masalah yang sulit terpecahkan. Permasalahan penjadwalan ini banyak

ditemukan di universitas-universitas seluruh dunia. Terdapat banyak kendala

dalam melakukan penjadwalan yang menyebabkan sulitnya melakukan

penjadwalan, maka dari itu penjadwalan harus diperhitungkan dengan baik agar

menghasilkan jadwal mata kuliah yang tepat.

Umumnya penyusunan jadwal mata kuliah dilakukan secara manual, yaitu

dengan pencarian blok-blok atau kolom-kolom yang masih kosong, kemudian

menempatkan jadwal pada blok atau kolom tersebut. Jadwal yang dihasilkan

dengan cara seperti ini cenderung menghasilkan jadwal yang menumpuk dan
 2

tingkat keakuratannya tidak bisa dijamin. Jadwal yang baik semestinya dapat

mengakomodasi semua syarat yang telah ditentukan. Sebagai contoh adalah

seorang dosen hanya bisa mengajar pada waktu dan jam tertentu. Dengan syarat

ini seharusnya jadwal yang disusun menyediakan sejumlah solusi sehingga kelas

yang diajarkan oleh dosen tersebut tidak bentrok dengan dosen yang lainnya

Untuk mengatasi masalah-masalah tersebut, dapat dilakukan dengan cara

komputerisasi dengan membangun sebuah sistem pendukung keputusan. Sistem

akan menerima semua masalah tersebut sebagai masalah terstruktur untuk

menghasilkan solusi penjadwalan matakuliah yang baik. Masalah terstruktur

adalah masalah yang memungkinkan untuk menggunakan algoritma atau

peraturan mengenai keputusan agar masalah dapat diidentifikasi dan dipahami

dengan penggunaan algoritma tersebut, dimungkinkan pula melakukan

identifikasi pemecahan pengganti dan mengevaluasinya serta menemukan

pemecahan yang terbaik.

Terdapat berbagai solusi dalam penjadwalan mata kuliah akan tetapi belum

tentu jadwal yang dihasilkan tersebut telah optimal. Penjadwalan yang baik

haruslah jadwal yang dapat diterima agar perkuliahan berjalan lancar. Banyak

metode yang dapat digunakan untuk mendapatkan jadwal yang optimal, contonya

Hybrid Algoritma Particle Swarm Optimization (PSO) (Mansur, 2014)

disimpulkan bahwa sistem penjadwalan mata kuliah yang dibangun dapat

menghasilkan jadwal mata kuliah yang cukup optimal karena mampu

mengasosiasi antara mata kuliah yang telah diambil dengan mata kuliah yang

ditawarkan, sehingga jumlah pembukaan kelompok kelas dapat lebih efisien dan
 3

meminimalisir tabrakan jadwal dan Metode Asosiasi yang disempurnakan dengan

Alogaritma Genetika (Wahyu Setiawati, 2015) disimpulkan bahwa sistem

penjadwalan mata kuliah yang dibangun dapat menghasilkan jadwal mata kuliah

yang cukup optimal karena mampu mengasosiasi antara mata kuliah yang telah

diambil dengan mata kuliah yang ditawarkan, sehingga jumlah pembukaan

kelompok kelas dapat lebih efisien dan meminimalisir tabrakan jadwal . Akan

tetapi penjadwalan menggunakan Alogaritma Steepest Ascent Hill Climbing

menghasilkan solusi akhir hanya mendekati hasil optimasi yang diharapkan

sedangkan penjadwalan mata kuliah menggunakan Hybrid Algoritma Particle

Swarm Optimization (PSO) dengan Simulated Annealing (SA) menghasilkan

solusi yang lebih optimal.

PSO merupakan salah satu metode optimasi yang dikembangkan oleh

Erberhart dan Kennedy pada tahun 1995. PSO diinspirasi dari perilaku sosial

disekitar kita seperti perilaku burung dan sekumpulan ikan. Berdasarkan

penelitian pada sekawanan burung yang terbang bersama, diketahui bahwa

mereka dapat menemukan makanan lebih mudah dibandingkan dengan burung

yang terbang sendirian. PSO memiliki kinerja dengan baik dalam memecahkan

beberapa masalah optimasi.

Allah SWT berfirman dalam surah (QS: Al-Asar: 1-3)

Terjemahnya :

Demi masa (1) Sesungguhnya manusia itu benar-benar dalam kerugian (2)

kecuali orang-orang yang beriman dan mengerjakan amal saleh dan nasehat

menasehati supaya mentaati kebenaran dan nasehat menasehati supaya menetapi

kesabaran (3). (QS: Al-Asar: 1-3).

Ayat diatas menjelaskan kepada kita bahwa manusia itu akan rugi jika ia

lalai terhadap waktu. ayat ini secara tegas menjelaskan bahwa bagi manusia yang

tidak menghargai waktu untuk hal-hal yang bermanfaat niscaya manusia itu akan

rugi.

Berdasarkan uraian diatas maka skripsi ini akan membahas tentang

penggabungan Hybridalgoritma Particle Swarm Optimization (PSO) dengan

Simulated Annealing (SA) pada Penjadwalan Matakuliah.

B. Rumusan Masalah

Berdasarkan latar belakang tersebut, maka rumusan masalah dalam

peneltian ini adalah:

1. Bagaimana menyelesaikan permasalahan penjadwalan mata kuliah

dengan hybrid PSO dan SA?
2. Bagaimana program penyelesaian penjadwalan mata kuliah dengan hybrid

PSO-SA?
C. Tujuan Penelitian
Adapun tujuan yang ingin dicapai pada penelitian ini adalah sebagai

berikut :
1. Mendapatkan penyelesaian permasalahan penjadwalan mata kuliah dengan

hybrid PSO dan SA.

 5

2. Untuk menyelesaikan program penjadwalan mata kuliah dengan hybrid

PSO-SA.
D. Manfaat Penelitian
Adapun manfaat penelitian ini adalah sebagai berikut :
1. Manfaat bagi Univesitas
Penelitian ini dapat dapat mempermudah dalam penyusunan jadwal

mata kuliah dibandingkan dengan penyusunan jadwal secara manual.

2. Bagi Penulis
Mengetahui cara penggunaan PSO dan SA dalam penjadwalan mata

kuliah dan memudahkan untuk penyusunan jadwal.

E. Batasan Masalah

Batasan permasalahan dalam penelitian ini adalah data yang diperoleh dari

Jurusan Matematika UIN Alauddin adalah data yang berisikan nama-nama dosen,

mata kuliah, jumlah sks, semester dan banyaknya ruangan yang tersedia.

F. Sistematika Penulisan
Secara garis besar, Proposal ini dibagi menjadi tiga bagian yaitu bagian

awal Proposal, bagian isi Proposal dan bagi akhir Proposal. Berikut ini dijelaskan

masing-masing bagian Proposal.

1. Bagian Awal Proposal

Bagian awal Proposal imeliputi halaman judul, abstrak, halaman pengesahan,

motto dan persembahan, kata pengantar, daftar isi, daftar gambar, daftar table dan

daftar lampiran.

2. Bagian Isi Proposal

Bagian isi Proposal secara garis besar adalah sebagai berikut:

BAB I. Pendahuluan

A. Latar Belakang
B. Rumusan Masalah
C. Tujuan penelitian
D. Manfaat
E. Batasan masalah
F. Sistematika penelitian
 6

BAB II. Landasan Teori

A. Jadwal
B. Optimasi
C. Model Permasalahan Penjadwalan Matakuliah
D. Alogaritma Genetika
E. Particle Swarm Optimization (PSO) dengan Simulate Annealing

(SA)

BAB III. Metode Penelitian

A. Jenis Penelitian
B. Lokasi dan Waktu Penelitian
1. Lokasi
2. Waktu Penelitian

Bulan
N Nama Kegiatan Sept Okt Nov Des Jan Feb
2016 2016 2016 2016 2016
o 201

6
1. Pengambilan data

nama dosen, mata

kuliah, jumlah SKS,

semester, dan

banyaknya ruangan

yang tersedia.
2. Pengelolaan data

dengan metode PSO SA

3. Pembuatan program
4. Pengimplementasian

program pada data

C. Jenis dan Sumber Data

D. Devinisi Operasional Variable
E. Teknik Analisis Data
 7

F. Prosedur Penelitian

II. Landasan Teori

A. Jadwal
Jadwal merupakan tabel kegiatan atau rencana kegiatan dengan pembagian

waktu pelaksanaan yang terperinci. 1 Penjadwalan adalah suatu alokasi, berfokus

pada constraints, dan resource untuk object yang ditempatkan dalam ruang dan

waktu. Penjadwalan di perguruan tinggi merupakan masalah nested partitioning

dan kompleksitas, seperti jadwal kuliah dan ujian akhir. Kompleksitas terjadi

ketika jumlah mahasiswa dan pertemuan matakuliah yang harus dijadwalkan

sangat banyak hingga mencapai ratusan bahkan ribuan. Dalam proses

penjadwalan kuliah kita tidak hanya memperhatikan terjadinya bentrok pada level

kelas dan dosen tetapi juga harus memperhatikan jadwal pertemuan semua

mahasiswa agar tidak bentrok, sehingga jadwal yang dihasilkan dapat menjadi

efisien dengan preferensi yang fleksibel.2

B. Optimasi

Optimasi adalah salah satu disiplin ilmu dalam matematika yang fokus

untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu

1 Pusat Bahasa, Kamus Besar Bahasa Indonesia, Departeman Pendidikan,

2005.

2 Mansur, Particle Swarm Optimization Untuk Sistem Informasi

Penjadwalan Resource di Perguruan Tinggi, Politeknik Negeri Bengkalis
, 2014, hal.1.
 8

fungsi, peluang, maupun pencarian nilai lainnya dalam berbagai kasus. Optimasi

sangat berguna di hampir segala bidang dalam rangka melakukan usaha secara

efektif efisien untuk mencapai target hasil yang ingin dicapai. Tentunya hal ini

akan sangat sesuai dengan prinsip ekonomi yang berorientasikan untuk senantiasa

menekan pengeluaran untuk menghasilkan outputan yang maksimal. Optimasi ini

juga penting karena persaingan saat ini sudah benar benar sangat ketat.3

C. Model Permasalahan Penjadwalan Mata Kuliah

Dengan melakukan pendekatan Integer programming (IP) dapat dibangun

sebuah model yang dapat membuat penjadwalan mata kuliah pada universitas.

Dalam hal ini akan dijelaskan beberapa model, yaitu :

1. Bentuk model secara umum
Berikut ini terdiri dari enam parameter yang dianggap sebagai
elemen struktur dasar untuk pendekatan, yaitu:
a. Hari dalam setiap minggunya, yang mana mata kuliah atau bagian dari

mata kuliah yang memungkinkan untuk dijadwalkan. Himpunan semua

hari yang memungkinkan untuk penjadwalan dilambangkan dengan I,

I={senin, selasa, rabu, kamis, jumat}

b. Waktu dalam satu hari yang dapat dijadwalkan. Dalam pendekatan ini,

satu kali jangka waktu adalah 50 menit. Himpunan semua periode

waktu dalam satu hari yang tersedia untuk penjadwalan dilambangkan

dengan J, J={1-2, 3-4, 5-6, 7-8, 9-10, 11-12}

c. Sekelompok mahasiswa yang dijadwalkan pada mata kuliah. Dalam

pendekatan ini, dicontohkan sekelompok mahasiswa tahun pertama dari

departemen tertentu atau sekelompok mahasiswa tahun keempat dari

3 Sayed Fachrurrazi, Penerapan Algoritma Genetika dalam Optimasi

Pendistribusian Pupuk di Pt Pupuk Iskandar Muda Aceh Utara Universitas
Malikussaleh Reuleut,2007. hal.2.
 9

departemen tertentu juga. Himpunan semua kelompok yang berbeda

dari mahasiswa yang dapat digunakan untuk jadwal dilambangkan

dengan K, K={angkatan1, angkatan 2, ,angkatan|K|}

d. Profesor, dosen atau staf pengajar yang mengajarkan mata kuliah yang

telah dijadwal. Untuk masalah ini, diasumsikan bahwa penugasan mata

kuliah untuk dosen harus melalui proses penjadwalan, dan beban

mengajar masing-masing dosen merupakan inputan dari penjadwalan

itu sendiri. Kumpulan dari semua dosen yang akan digunakan dalam

jadwal dilambangkan L, L={dosen1, dosen2,,dosen|L|}

e. Mata kuliah yang akan dijadwalkan untuk himpunan mahasiswa.

Himpunan semua mata kuliah dilambangkan dengan M, M={mata

kuliah1, mata kuliah2, , mata kuliah |M|}

f. Ruangan yang tersedia untuk penjadwalan mata kuliah untuk satu

kelompok mahasiswa. Semua ruangan yang akan digunakan dalam

jadwal dilambangkan dengan N, N={ruang1, ruang2,, ruang|N|}

Dalam bentuk model ini, akan digunakan variabel dasar dan

dilambangkan dengan X,i,j,k,l,m,n dimana

i I , j J , k K , l L , m M dan n N . Variabel X
i,j,k,l,m,n bernilai 1,

pada mata kuliah m, diajarkan oleh dosen l kepada kelompok nahasiswa

k, dijadwalkan pada waktu j hari i dan ruangan n.

2. Bentuk model secara khusus
a. K1 = mahasiswa dari tingkat awal tahun, biasanya mahasiswa dari dua

atau tiga tahun, mengikuti pendidikan umum dalam suatu departemen.

b. Kt = mahasiswa dengan l dosen yang memberikan beberapa mata

kuliah.
 10

c. Lk = dosen yang mengajar satu mata kuliah untuk sekelompok

mahasiswa k, k K
d. Mk = mata kuliah yang dirancang untuk sekelompok mahasiswa k atau

ditawarkan oleh divisi k untuk mahasiswa, k K

e. M1 = mata kuliah yang diajar oleh dosen l.
f. Mn = mata kuliah yang dirancang untuk sekelompok mahasiswa yang

sesuai dengan ruang n N

Ml
g. Mkl = Mk Ml dan Mkln = Mk Mn

h. Nmk = ruangan yang sesuai dengan sekelompok mahasiswa k K

untuk mata kuliah m M.

i. Ii = hari dimana dosen l L tersedia untuk mengajar.
j. Jiln = waktu periode dari hari i dimana dosen l L dan ruangan n

N tersedia untuk mengajar.

3. Batasan atau constraint pada model

Berikut ini adalah batasan yang memastikan bahwa tidak ada overlapping

dalam jadwal, yaitu:

a. Setiap dosen harus diberikan paling banyak satu mata kuliah, satu

kelompok mahasiswa dan satu kelas pada satu waktu:

i I , j J , l L

x i , j ,k ,l , m ,n 1
k k l m M kl n N mk

b. Untuk setiap kelompok mahasiswa paling banyak satu mata kuliah,

satu orang dosen dan satu ruangan harus ditugaskan untuk setiap

periode pengajaran. Persyaratan ini lebih menjamin bahwa untuk

setiap kelompok mahasiswa disana tidak akan ada overlappin

 11

antara mata kuliah wajib, tetapi juga antara mata kuliah wajib dan

pilihan, sehingga mahasiswa dapat memilih.

1
k K , i I , j J

x i , j ,k , l ,m , n 1
l L ki m M kl n N mk

Persamaan tersebut mengacu pada tingkatan tahun mahasiswa,

yang mengikuti mata kuliah yang dirancang untuk sejumlah

mahasiswa yang diberikan tiap tahun.

c. Setiap ruang dapat digunakan paling banyak satu mata kuliah, satu

dosen dan satu sekelompok mahasiswa pada periode waktu

tertentu:
n N , i I n , j J ,

x i , j ,k ,l , m ,n 1
k K l L ki m M kln

4. Fungsi tujuan

Batasan yang diberikan mampu menghasilkan solusi yang layak, yaitu

dimana penjadwalan tidak melanggar aturan dasar. Meskipun

penjadwalan tertentu lebih baik daripada lainnya dan peningkatan

solusi untuk menentukan fungsi tujuan, yang secara umum

dimodelkan sebagai berikut:

M inimize
{ ci , j , k ,l ,m ,nx i , j ,k , l ,m , n }
k K l L k m M kl n N mk i I l j J iln

D. Algoritma Genetika
Algoritma genetika merupakan pendekatan komputasional untuk

menyelesaikan masalah yang dimodelkan dengan proses biologi dari evolusi. Ada
 12

tiga keunggulan dari aplikasi algoritma genetika dalam proses optimasi. Pertama,

algoritma genetika tidak terlalu banyak memerlukan persyaratan matematika

dalam penyelesaian proses optimasi. Algoritma genetika dapat diaplikasikan pada

beberapa jenis fungsi objektif dengan beberapa fungsi pembatas baik berbentuk

linier maupun non-linier. Kedua, operasi evolusi dari algoritma genetika sangat

efektif untuk mengobservasi posisi global secara acak. Ketiga, algoritma genetika

mempunyai fleksibilitas untuk diimplementasikan secara efisien pada

4
problematika tertentu.

E. Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA)

PSO merupakan salah satu teknik dasar dari swarm intelligence system

untuk menyelesaikan masalah optimasi dalam pencarian ruang sebagai suatu

solusi. PSO pertama kali diusulkan oleh James Kennedy dan Eberhart (1995),

dirancang untuk mensimulasikan burung dalam proses pencarian makanan.Swarm

intelligence system melakukan penyebaran kecerdasan yang inovatif dalam

menyelesaikan masalah optimasi dengan mengambil inspirasi dari contoh

biologis, seperti fenomena kelompok (swarm) pada hewan, dimana setiap

kelompok memiliki prilaku individu dalam melakukan tindakan bersama untuk

mencapai tujuan yang sama. Swarm biasa disebut agen, setiap agen bertindak

berdasarkan aturan lokal meskipun tidak ada pusat kendali untuk setiap agen

dalam melakukan reaksi, sehingga terbentuknya suatu kecerdasan (intelligence)

global tanpa disadari oleh setiap agen dalam suatu kawanan untuk mencapai

tujuan. Ada beberapa properties yang harus diperhatikan dalam proses swarm

4 Muhammad Fariz Zaini, Optimasi Penjadwalan Mata Pelajaran

MenggunakanGenetic Algorith Universitas Brawijaya Malang, hal.2.
 13

intelligence system seperti kesatuan (unity), toleransi kesalahan (fault tolerance),

perilaku berbasis aturan (rule-based behavior), otonomi (autonomy), skalabilitas

(scalability), adaptasi (adaptation), kecepatan (speed), modularitas (modularity),

dan memiliki sifat secara parallel.

PSO merupakan salah satu metode metaheuristik yang pencarian solusi

berdasarkan populasi dari sekelompok burung atau ikan, dimana setiap populasi

memiliki individu yang dapat mempengaruhi individu lainya. Individu tersebut

disebut juga sebagai partikel yang diperlakukan seperti sebuah titik pada suatu

dimensi ruang waktu tertentu (Santoso dan Willy, 2011). Pada algoritma PSO

pencarian solusi dilakukan secara acak dari suatu populasi, dimana setiap partikel

berkaitan dengan posisi dan kecepatan dalam melakukan pencarian baru secara

dinamis berdasarkan prilaku mereka. Setiap partikel memiliki nilai fitness yang

harus dievaluasi untuk setiap generasi berdasarkan local best (pbest) dan global

best (gbest) yang merupakan pengalaman dari setiap partikel dalam menghasilkan

solusi terbaik. Pengalaman tersebut dapat digunakan sebagai parameter weight

inerta dalam menentukan pengaruh kecepatan sebelumnya dengan kecepatan baru.

Nilai weight inerta dapat memperbaiki kecepatan partikel dalam

menyeimbangkan proses pencarian global dan local. Pada kasus penjadwalan ini,

partikel diwakili oleh slot-slot dalam satu set jadwal yang terdiri dari beberapa

kelas yang merupakan satu partikel.

Adapun parameter yang digunakan dalam proses algoritma PSO adalah

sebagai:
a. Jumlah partikel (Number of particles) merupakan faktor yang dianggap

sangat penting dalam melakukan penyelesaian masalah.

b. Bobot Inersia (Inertia Weight), memainkan peran yang sangat penting

dalam kecepatan partikel dari algoritma PSO.

 14

c. Faktor pembelajaran (Learning factors). Parameter c1 merupakan

pengakuan koefisien, sedangkan c2 adalah komponen social. Hal ini

tidak terlalu penting untuk perilaku konvergensi dari algoritma PSO

d. Rentang dan dimensi partikel (Range and dimension of particles).

Dimensi partikel dan rentang ditentukan berdasarkan masalah yang

dioptimalkan.
e. Kecepatan (Velocity) merupakan perubahan maksimum pada setiap

partikel, dapat diambil selama iterasi yang didefenisikan sebagai

kecepatan maksimum.
f. Menghentikan kondis (Stopping condition) merupakan salah satu cara

apabila kriteria yang dicari sudah tercapai.

Istilah yang digunakan dalam penerapan alogaritma PSO adalah sebagai

berikut:
a. Swarm: populasi dari sekawanan partikel
b.Particle: individu pada suatu swarm. Setiap partikel mempresentasikan

suatu solusi dari permasalahan yang diselesaikan.

c. Pbest: suatu partikel yang menunjukkan posisi terbaik.
d. Gbest: posisi terbaik dari seluruh partikel yang ada dalam suatu
swarm.
e.Velocity: kecepatan yang dimiliki oleh setiap partikel dalam menentukan

arah perpindahan suatu partikel untuk memperbaiki posisi semula.

f. c1 dan c2: c1 merupakan konstanta pembelajaran kognitif, dan c2

konstanta pembelajaran sosial.5

5 Mansur, Particle Swarm Optimization Untuk Sistem Informasi

Penjadwalan Resource Di Perguruan Tinggi, Universitas Diponegoro
Semarang, 2014, hal.4-5.
 15

III. METODOLOGI PENELITIAN

A. Jenis Penelitian

Jenis Penelitian adalah penelitian terapan. Dengan menggunakan

Hybridalgoritma Particle Swarm Optimization (PSO) dan Simulated Annealing

(SA) dengan memakai program matlab sebagai pengolah data pada penjadwalan

matakuliah yang bertujuan untuk mengetahui penjadwalan mata kuliah yang

paling optimal. Oleh karena itu, hasil penelitiannya berupa aplikasi penjadwalan

mata kuliah yang dapat dirasakan langsung oleh pengguna aplikasi.

B. Lokasi dan Waktu Penelitian

1. Lokasi penelitian

Lokasi penelitian adalah Jurusan Matematika Fakultas Sains dan Teknologi

dan perpustakan UIN Alauddin Makassar

2. Waktu penelitian

Penelitian ini mulai awal bulan Januari sampai akhir Desember.

C. Jenis dan Sumber Data

1. Jenis Data

Data yang digunakan adalah data sekunder. Data sekunder merupakan

sumber data penelitian yang diperoleh oleh peneliti secara tidak langsung melalui

media perantara. Data sekunder umunya berupa bukti, catatan atau laporan

historis yang telah tersusun dalam arsip yang dipublikasikan dan tidak

dipublikasikan.

2. Sumber Data
 16

Data yang digunakan dalam penelitian ini bersumber dari data yang

berisikan nama- nama dosen, mata kuliah, jumlah sks, semester dan banyaknya

ruangan yang tersedia di Jurusan Matematika UIN Alauddin Makassar .

D. Definisi Operasional Variabel

1. Variabel respon yang digunakan dalam penelitian ini adalah solusi baru

(jadwal mata kuliah yang telah terproses).

2. Variabel prediktor yang digunakan adalah :
a. Mata kuliah yang ditawarkan di masing-masing semester
b. Dosen-dosen yang tersedia
c. Jumlah SKS setiap matakuliah yang ditawarkan
d. Jumlah jam yang ditempuh setiap matakuliah
e. Ruang dan waktu yang tersedia
E. Teknik Ananlisis Data

Analisis data yang digunakan adalah dengan penggabungan Particle

Swarm Metode Optimization (PSO) dan Simulated annealing (SA).

F. Prosedur Penelitian
Adapun prosedur pada penelitian ini adalah :
1. Study literature.
2. Pengambilan data.
3. Proses penjadwalan mata kuliah.
4. Penerapan Hybrid PSO SA.
5. Pembuatan program.
6. Pengimpplementasian program pada contoh kasus.
 17

Daftar Pustaka

Daskalaki. An Integer Programming Formulation for a Case Study in University

Timetabling. Greece : University of Patras, 2004.

Luping Fang. Particle Swarm Optimization with Simulated Annealing for TSP.
China : Zhejiang University of Technology, 2007.

Made Darma Yunantara. Analisis dan Implementasi Penjadwalan dengan

Menggunakan Pengembangan Model Crossover dalam Algoritma
Genetika. Bali : Universitas Udayana, 2012.

Mansur. Particle Swarm Optimization Untuk Sistem Informasi Penjadwalan

Resource di Perguruan Tinggi. Riau : Politeknik Negeri Bengkalis, 2014.

Muhammad Faiz Zaini. Optimasi Penjadwalan Mata Pelajaran Menggunakan

Genetic Algoritma. Malang : Universitas Brawijaya.

Pusat Bahasa. Kamus Besar Bahasa Indonesia. Jakarta : Departeman Pendidikan

Nasional, 2005.
 18

Sayed Fachrurrazi. Penerapan Algoritma Genetika dalam Optimasi

Pendistribusian Pupuk di Pt Pupuk Iskandar Muda Aceh Utara. Aceh
Utara : Universitas Malikussaleh Reuleut, 2007.

Wiga Ayu Puspaningrum. Penjadwalan Mata Kuliah Menggunakan Algoritma

Genetika di Jurusan Sistem Informasi ITS. Surabaya : Institut Teknologi
Sepuluh Nopember, 2013.