Anda di halaman 1dari 40

PROPOSAL SKRIPSI

IMPLEMENTASI ALGORITMA GENETIKA DALAM


OPTIMASI PENJADWALAN MATA KULIAH
MENGGUNAKAN PHP DAN MYSQL
(Studi Kasus: Program Studi S1 Teknik Informatika Universitas Riau)

Oleh:

Surya Sahri Ramadhan


NIM: 1407114958

PROGRAM STUDI TEKNIK INFORMATIKA S1


FAKULTAS TEKNIK
UNIVERSITAS RIAU
2018
PRAKATA

Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena atas
berkat dan rahmat-Nya, penulis dapat menyelesaikan skripsi ini. Penulisan skripsi
ini dilakukan dalam rangka memenuhi salah satu syarat mencapai gelar Sarjana
Teknik Jurusan Teknik Informatika pada Fakultas Teknik Universitas Riau. Penulis
menyadari bahwa, tanpa bantuan dan bimbingan dari berbagai pihak, dari masa
perkuliahan sampai pada penyusunan skripsi ini, sangatlah sulit bagi penulis untuk
menyelesaikan skripsi ini. Oleh karena itu, penulis mengucapkan terima kasih
kepada:
1. Dosen Pembimbing I Bapak Dr. Feri Candra, ST., MT
2. Dosen Pembimbing II Ibu Noveri Lysbetti M, ST., M.Sc
3. Dosen Penguji I dan II
4. Dekan Fakultas Teknik
5. Ketua Jurusan Teknik Elektro
6. Ketua Program Studi Teknik Informatika
7. Staf Dosen
8. Orang tua
9. Semua pihak yang telah membantu, penulis tidak dapat sebutkan satu
persatu.
Akhir kata, penulis berharap Tuhan Yang Maha Esa berkenan membalas
segala kebaikan semua pihak yang telah membantu. Semoga skripsi ini membawa
manfaat bagi pengembangan ilmu.

Pekanbaru, 23 April 2018

Surya Sahri Ramadhan

ii
DAFTAR ISI

Halaman
COVER .................................................................................................................... i
PRAKATA .............................................................................................................. ii
DAFTAR ISI .......................................................................................................... iii
DAFTAR GAMBAR ...............................................................................................v
DAFTAR TABEL .................................................................................................. vi
DAFTAR SINGKATAN ...................................................................................... vii
BAB I PENDAHULUAN
1.1 Latar Belakang ......................................................................................... 8
1.2 Rumusan Masalah .................................................................................... 9
1.3 Tujuan Penelitian .................................................................................... 10
1.4 Batasan Masalah ..................................................................................... 10
1.5 Kegunaan Penelitian ............................................................................... 11
1.6 Sistematika penulisan ............................................................................. 11
BAB II STUDI PUSTAKA
2.1 Penelitian Terkait .................................... Error! Bookmark not defined.
2.2 Citra Digital ............................................. Error! Bookmark not defined.
2.3 Pengolahan Citra Digital ......................... Error! Bookmark not defined.
2.4 Visi Komputer (computer vision) ............ Error! Bookmark not defined.
2.5 Image Preprocessing ............................... Error! Bookmark not defined.
2.5.1 Citra Berwarna ................................. Error! Bookmark not defined.
2.5.2 Citra Grayscale ................................ Error! Bookmark not defined.
2.5.3 Citra Biner ........................................ Error! Bookmark not defined.
2.6 Operasi Morfologi ................................... Error! Bookmark not defined.
2.6.1 Operasi Dilasi ................................... Error! Bookmark not defined.
2.6.2 Operasi Erosi .................................... Error! Bookmark not defined.
2.6.3 Operasi Opening............................... Error! Bookmark not defined.
2.6.4 Operasi Closing ................................ Error! Bookmark not defined.
2.7 Segmentasi Citra...................................... Error! Bookmark not defined.

iii
2.8 Ekstraksi Fitur Bentuk ............................. Error! Bookmark not defined.
2.8.1 Perimeter .......................................... Error! Bookmark not defined.
2.8.2 Area .................................................. Error! Bookmark not defined.
2.8.3 Major Axis Length ............................ Error! Bookmark not defined.
2.8.4 Convex Hull ...................................... Error! Bookmark not defined.
2.8.5 Solidity ............................................. Error! Bookmark not defined.
2.9 Artificial Neural Network (ANN)............ Error! Bookmark not defined.
2.9.1 Model Sel Syaraf (Neuron) .............. Error! Bookmark not defined.
2.9.2 Konsep Dasar ANN.......................... Error! Bookmark not defined.
2.9.3 Arsitektur ANN ................................ Error! Bookmark not defined.
2.9.4 Metode Pelatihan .............................. Error! Bookmark not defined.
2.9.5 Fungsi Aktivasi ................................ Error! Bookmark not defined.
2.9.6 Pelatihan Standar BPNN .................. Error! Bookmark not defined.
2.10 Normalisasi .......................................... Error! Bookmark not defined.
BAB III METODOLOGI
3.1 Metodologi Penelitian ............................................................................ 28
3.2 Studi Literatur .......................................... Error! Bookmark not defined.
3.3 Perancangan Sistem ................................. Error! Bookmark not defined.
3.3.1 Akuisisi Citra ................................... Error! Bookmark not defined.
3.3.2 Pra-pengolahan citra......................... Error! Bookmark not defined.
3.3.3 Segmentasi ....................................... Error! Bookmark not defined.
3.3.4 Ekstraksi Fitur .................................. Error! Bookmark not defined.
3.3.5 Klasifikasi ........................................ Error! Bookmark not defined.
BAB IV HASIL SEMENTARA
4.1 Desain Antarmuka .................................................................................. 31
4.2 Data Citra Botol Minuman Plastik ......................................................... 32
BAB V PENUTUP
5.1 Kesimpulan ............................................................................................. 33
DAFTAR PUSTAKA ...........................................................................................34
DAFTAR LAMPIRAN ........................................................................................37

iv
DAFTAR GAMBAR

Gambar 2.1 Citra kontinu (kiri) dan citra digital (kanan)Error! Bookmark not
defined.
Gambar 2.2 Citra RGB (kiri) dan citra grayscale (kanan)Error! Bookmark not
defined.
Gambar 2.3 Citra grayscale (kiri) dan citra biner (kanan)Error! Bookmark not
defined.
Gambar 2.4 Objek yang sama diberi efek penyekalaan (b), translasi (c), dan
pemutaran (d) ......................................................... Error! Bookmark not defined.
Gambar 2.5 Perimeter objek .................................. Error! Bookmark not defined.
Gambar 2.6 Area objek .......................................... Error! Bookmark not defined.
Gambar 2.7 Major axis length objek ...................... Error! Bookmark not defined.
Gambar 2.8 Convex hull dan convex area objek ... Error! Bookmark not defined.
Gambar 2.9 Model neuron ..................................... Error! Bookmark not defined.
Gambar 2.10 Single layer network ......................... Error! Bookmark not defined.
Gambar 2.11 Multi layer network .......................... Error! Bookmark not defined.
Gambar 2.12 Competitive layer network ............... Error! Bookmark not defined.
Gambar 2.13 Fungsi aktivasi sigmoid biner .......... Error! Bookmark not defined.
Gambar 3.1 Diagram alir penelitian ....................... Error! Bookmark not defined.
Gambar 3.2 Alur kerja sistem ................................ Error! Bookmark not defined.
Gambar 3.3 Bilik akuisisi citra............................... Error! Bookmark not defined.
Gambar 3.4 Fitur bentuk ........................................ Error! Bookmark not defined.
Gambar 3.5 Alur BPNN ......................................... Error! Bookmark not defined.
Gambar 4.1 Desain layout ..................................................................................... 31
Gambar 4.2 Desain sistem saat dijalankan ............................................................ 32

v
DAFTAR TABEL

Tabel 2.1 Tabel warna dan penyusun warna ......... Error! Bookmark not defined.

vi
DAFTAR SINGKATAN

SINGKATAN KEPANJANGAN

ANN - Artificial Neural Network

BPNN - Backpropagation Neural Network

FCM - Fuzzy C-Means

LVQ - Learning Vector Quantization

RBF - Radial Basis Function

SHFCM - Statistical Histogram Fuzzy C-Means

vii
BAB I
PENDAHULUAN

1.1 Latar Belakang


Proses belajar mengajar sudah menjadi rutinitas sehari-hari yang selalu
dilakukan di perguruan tinggi. Pada dasarnya kegiatan perkuliahan di suatu
perguruan tinggi akan berjalan dengan lebih baik jika penjadwalan Mata Kuliah
tersusun sesuai dengan kebutuhan dan kondisi dari perguruan tinggi tersebut.
Universitas Riau salah satunya, dimana sampai saat ini proses penjadwalan Mata
Kuliah masih dilakukan secara manual, khususnya di Prodi Teknik Informatika.
Proses penjadwalan secara manual membutuhkan ketelitian dan membutuhkan
waktu yang cukup lama, karena banyaknya faktor yang perlu dipertimbangkan,
sehingga sering kali terjadinya bentrokan antar jadwal. Menurut Siahaan (2016),
faktor yang memengaruhi penjadwalan adalah berupa waktu, Dosen yang tersedia,
ruangan yang terbatas, jumlah Mata Kuliah, serta kebutuhan Mahasiswa dan Dosen
yang mengampu Mata Kuliah menjadi pertimbangan dalam proses penjadwalan
Mata Kuliah, dimana proses penjadwalan harus tetap memperhatikan beberapa
faktor yang telah disebutkan diatas.
Menurut Puspaningrum et al, (2003), ada beberapa faktor dalam
penjadwalan Mata Kuliah yang apabila tidak diperhatikan dengan baik maka dapat
menyebabkan sulitnya melakukan penjadwalan dengan optimal. Kebutuhan
Mahasiswa dan Dosen juga harus dipertimbangkan dalam penjadwalan. Kebutuhan
Mahasiswa dalam studinya tidak boleh terkendala karena tidak dapat mengambil
salah satu Mata Kuliah karena terbentur Mata Kuliah lain, seperti ada Mahasiswa
yang mengulang Mata Kuliah semester bawah. Jumlah Dosen yang tersedia
mengampu Mata Kuliah, Selain itu Dosen juga butuh mendapatkan waktu luang
untuk melakukan tugas lainnya selain mengajar juga harus diperhatikan.
Manajemen waktu agar tidak adanya pemakaian dua Mata Kuliah di saat yang sama
karena keterbatasan ruangan. Karena cukup kompleksnya masalah yang harus
diselesaikan maka dibutuhkan sistem optimasi dalam melakukan penjadwalan
tersebut agar dapat mempermudah dan mengurangi kesalahan dalam penjadwalan.
Menurut Santoso et al (2013), otomasi adalah pemanfaatan mesin,
komputer, dan alat elektronik lainnya untuk mempermudah dalam mengamati dan
mengambil keputusan sehingga dapat menggantikan peran manusia. Sistem
otomasi memiliki beberapa kelebihan seperti dapat meningkatkan produktifitas,
mengurangi biaya lebih yang keluar untuk tenaga kerja, menutupi kurangnya tenaga
kerja berkemampuan khusus, dan meningkatkan kualitas produk, oleh karena itu
sistem otomasi juga dibutuhkan untuk melakukan penjadwalan Mata Kuliah,
sehingga dapat meminimalisir masalah-masalah penjadwalan yang sering terjadi.
Sistem optimasi ini agar dapat berjalan dengan lancar maka perlu didukung
dengan algoritma yang dapat menyelasaikan permasalahan yang kompleks,
menurut Yaqin (2012), Algoritma Genetika dapat digunakan sebagai solusi
alternatif dalam menyelesaikan masalah penjadwalan. Algoritma Genetika
merupakan metode heuristik adaptif yang memiliki dasar pemikiran atau gagasan
untuk proses seleksi alam dan genetika berdasarkan penelitian Charles Darwin.
Algoritma Genetika merupakan salah satu cara untuk memecahkan masalah yang
cukup besar dengan solusi yang cukup baik meskipun masalah tersebut
membutuhkan waktu eksekusi yang lama bila dilakukan secara manual (Jain, 2010).
Agar fungsi dan tujuan pemakaian Algoritma Genetika untuk penjadwalan
Mata Kuliah dapat tercapai dengan baik dan lancar maka dibutuhkanlah penelitian
yang mengangkat judul “Sistem Optimasi Penjadwalan Mata Kuliah Menggunakan
Algoritma Genetika (Studi Kasus: Program Studi Teknik Informatika Universitas
Riau)”.

1.2 Rumusan Masalah


Bagaimana mengimplementasikan Algoritma Genetika untuk
mengoptimalkan Sistem penjadwalan Mata Kuliah bagi Dosen Prodi S1 Teknik
Informatika yang juga mengajar di Prodi S1 Teknik Elektro dan Prodi D3 Teknik

9
10

Elektro dengan menggunakan bahasa PHP dan MySQL. Berdasarkan ruang kelas
yang tersedia untuk menghindari bentroknya jadwal antar Mata Kuliah.

1.3 Tujuan Penelitian


Tujuan dalam penelitian ini adalah untuk menerapkan Algoritma Genetika
untuk mengoptimalkan penjadwalan Mata Kuliah bagi Dosen Prodi S1 Teknik
Informatika di Teknik Elektro Universitas Riau menggunakan PHP dan MySQL
sehingga diperoleh kombinasi terbaik untuk pasangan Mata Kuliah dan Dosen
Pengajar.

1.4 Batasan Masalah


Proses penyelesaian masalah penjadwalan Mata kuliah ada batasan-batasan
yang harus dipenuhi antara lain:
1. Penelitian ini difokuskan pada Dosen Prodi S1 Teknik Informatika yang
juga mengajar di Prodi S1 Teknik Elektro dan Prodi D3 Teknik Elektro.
2. Dosen dapat mengajar lebih dari satu Mata Kuliah di tiga Prodi yang
berbeda dan tidak boleh terjadi irisan pada jadwal Dosen tersebut.
3. Satu Mata Kuliah dapat diajarkan oleh dua orang Dosen atau lebih.
4. Terdapat Mata Kuliah tertentu yang menggunakan ruang laboratorium yang
harus dijadwalkan pada ruang laboratorium.
5. Hari aktif perkuliahan Senin sampai Jum’at.
6. Untuk semua Mata Kuliah baik 2 SKS, 3 SKS ataupun 4 SKS dijadwalkan
1 kali pertemuan dalam seminggu.
7. Tidak mengantisipasi hari libur atau saat Dosen berhalangan hadir karena
kuliah pengganti dijadwalkan ulang berdasarkan kesepakatan antara
Mahasiswa dan Dosen.
8. Untuk penjadwalan Mata Kuliah pengganti, harus memesan kelas yang akan
digunakan.

10
9. Terdapat 7 kelas yang merupakan kelompok kelas Mata Kuliah, dimana
untuk semester 1 hanya 1 kelas, semester 3 dan 5 terdapat 2 kelas (A dan
B), dan semester 7 terdapat 2 kelas (Matematika dan Statistika).

1.5 Kegunaan Penelitian


Adapun kegunaan penelitian ini dilakukan adalah untuk memberikan solusi
dalam masalah penjadwalan di Jurusan Teknik Elektro Universitas Riau dengan
mengoptimalkan sistem terdahulu supaya menjadi lebih baik dan efektif.

1.6 Sistematika penulisan


Struktur penulisan skripsi ini tersusun dalam lima bab dengan Sistematika
Penulisan sebagai berikut:
BAB I - PENDAHULUAN
Bab ini membahas tentang latar belakang, rumusan masalah, batasan
masalah, tujuan penelitian, kegunaan penelitian, dan sistematika
penulisan.
BAB II - STUDI PUSTAKA
Bab ini berisi landasan-landasan teori yang berkaitan dengan penelitian
yang penulis lakukan.
BAB III - METODOLOGI
Bab ini berisi tentang metodologi yang digunakan dan tahapan-tahapan
yang dilakukan pada penelitian.

11
12

BAB II
STUDI PUSTAKA

2.1. Penelitian Sebelumnya


Pedoman dalam penelitian ini mengacu pada penelitian sebelumnya yang
juga meneliti tentang penjadwalan Mata Kuliah. Meskipun terdapat perbedaan
dengan penelitian sebelumnya, namun penelitian ini dapat dijadikan pedoman
karena terdapat kesamaan terhadap variabel yang diteliti. Pada penelitian terdahulu
ada beberapa metode optimasi yang pernah digunakan dalam menyelesaikan
masalah penjadwalan Mata Kuliah, yaitu antara lain dengan metode greedy, metode
Tabu Search, metode Constraint Satisfication, Algoritma Beam Search, dan
Algoritma Particle Swarm Optimization (PSO).
Penelitian tentang penjadwalan Mata Kuliah pernah dilakukan oleh
Albhikautsar (2013) dengan judul “Penerapan Algoritma Greedy untuk
Menentukan Penjadwalan Kelas Gedung Labtek V” dengan menggunakan metode
greedy yang diimplementasikan pada Jurusan Teknik Informatika ITB, dengan
menggunakan 2 ruangan untuk 3 angkatan, 14 mata kuliah wajib dengan total 41
SKS, dan 20 dosen dengan asumsi dosen tidak mengajar lebih dari 7 jam.
Penelitian tentang penjadwalan Mata Kuliah menggunakan metode Tabu
Search dilakukan oleh Khairunnisa, Bambang dan Rizal (2016) dengan judul
“Implementasi Algoritma Tabu Search Pada Aplikasi Penjadwalan Mata Pelajaran”
yang diimplementasikan pada SMA NEGERI 4 Kendari. Hasil pengolahan data
menunjukkan bahwa penjadwalan yang menggunakan metode Tabu Search sensitif
terhadap perubahan yang diberikan pada variabel yang ada didalamnya dan
makespan yang dihasilkan secara keseluruhan lebih kecil dibandingkan dengan
hasil penjadwalan menggunakan metode basic dispatching rules, yaitu Shortest
Processing Time (SPT), Earliest Due Date (EDD), Most Work Remaining
(MWKR) dan First Come First Served (FCFS).
Penelitian yang dilakukan oleh Buliali, Darlis, dan Giri (2008) dengan judul
“Penjadwalan Mata Kuliah Dengan Menggunakan Algoritma Genetika dan Metode

12
Constriant Satisfication” dalam 2 kali percobaan yang dilakukan dengan
menggunakan metode Constrain Satisfication, pada percobaan pertama sistem telah
mampu menangani pemesanan jadwal pada waktu tertentu, mengolah data Mata
Kuliah yang ditawarkan, dan telah mampu menghasilkan jadwal tanpa ada
Constraint yang terlanggar. Pada percobaan kedua, terlihat bahwa sistem dapat
menghasilkan waktu tunggu yang minimal antar Mata Kuliah.
Penelitian yang dilakukan oleh Muhammad (2015) dengan judul
“Perancangan Algoritma Penjadwalan Kuliah Menggunakan Metode Algoritma
Beam Search” dengan metode Beam Search yang digunakan apabila Apabila
jumlah sks Mata Kuliah satu semester pada satu jurusan yang akan dijadwalkan
lebih besar dari jumlah sks dalam satu minggu, maka akan ada beberapa sks Mata
Kuliah yang tidak terjadwal. Hal ini disebabkan algoritma tidak mengijinkan
adanya jadwal bersamaan dalam satu semester pada jurusan yang sama.
Penelitian yang dilakukan oleh Mudjihartono (2011) dengan judul
“Pembangkitan dan Optimalisasi Jadwal Kuliah dengan Menggunakan Metode
Particle Swarm Optimization (PSO)” dengan metode PSO yang digunakan Hasil
menunjukkan bahwa terdapat jadwal optimal yang dibangkitkan dengan kendala
ringan karena sumber daya yang berlebih. Hal ini menunjukkan semakin banyak
sumber daya, semakin mudah dan semakin banyak alternatifnya jadwal dibuat.
Namun demikian untuk preferensi tertentu yang digabung dengan sumber daya
terbatas (tidak kurang) maka jadwal yang dibangkitkan ada yang tidak optimal.
Semakin banyak kendala diterapkan semakin mungkin jadwal yang dibangkitkan
tidak optimal. Pengulangan eksekusi aplikasi dapat memperbaiki solusi, yang tidak
optimal menjadi optimal.
Berdasarkan permasalahan dan metode yang pernah dilakukan pada
penelitian sebelumnya, maka penelitian ini akan mencoba menggabungkan antara
permasalahan dan metode tersebut sehingga diharapkan metode Algoritma
Genetika dapat diterapkan untuk menyelesaikan permasalahan penjadwalan Mata
Kuliah.

13
14

2.2. Penjadwalan Mata Kuliah


Penjadwalan merupakan proses untuk menyusun suatu jadwal atau urutan
proses yang diperlukan dalam sebuah permasalahan. Dalam penjadwalan Kuliah,
yang dibahas adalah tentang pembagian jadwal untuk setiap Mahasiswa pada Mata
Kuliah tertentu sekaligus Dosen pengajarnya.
Penjadwalan Mata Kuliah (lecture timetabling) di universitas bukanlah
suatu pekerjaan mudah. Permasalahan ini sering disebut dengan University
Timetabling Problems (UTP). Penjadwalan Mata Kuliah merupakan proses
pengaturan jadwal dengan memperhatikan Dosen, ruang kelas, Mata Kuliah dan
waktu yang disesuaikan dengan sejumlah batasan tertentu. Pada penjadwalan Mata
Kuliah sejumlah Mata Kuliah harus dijadwalkan ke dalam ruang dan slot
(pembagian) waktu tertentu dimana penjadwalan tersebut memperhatikan aturan-
aturan dan batasan penjadwalan yang telah ditentukan. Berikut ini diberikan gambar
komponen yang mempengaruhi penjadwalan Mata Kuliah:

Gambar 2.1. Komponen yang Mempengaruhi Penjadwalan Mata Kuliah

14
Berdasarkan Gambar 2.1., ada beberapa komponen yang mempengaruhi
penjadwalan Mata Kuliah, diantaranya yaitu: Dosen, ruang kelas, Mata Kuliah,
laboratorium dan waktu dengan sejumlah batasan-batasan tertentu, dimana batasan-
batasan tersebut ada yang harus dipenuhi atau tidak boleh dilanggar. Batasan
tersebut merupakan ukuran kualitas dari penjadwalan Mata Kuliah, sehingga suatu
jadwal Mata Kuliah yang optimal dapat terbentuk. Terdapat dua batasan dalam
penyusunan penjadwalan kuliah yang dikemukakan oleh Burk dkk (1997), yaitu:
hard constraint (harus terpenuhi) dan soft constraint (diupayakan untuk terpenuhi).

Hard constraints merupakan batas-batas yang harus diterapkan pada


penjadwalan Mata Kuliah dan harus dipenuhi. Sebuah solusi hanya dapat dikatakan
sahih dan valid apabila dalam solusi tersebut sama sekali tidak ada hard constraint
yang terlanggar. Hard constraints yang umum dalam penjadwalan Mata Kuliah
adalah sebagai berikut:
a Seorang Dosen hanya dapat mengajarkan Mata Kuliah untuk satu lokasi
pada waktu tertentu.
b Seorang Mahasiswa hanya dapat mengikuti kuliah untuk satu lokasi pada
waktu tertentu.
c Sebuah lokasi (ruangan) hanya dapat digunakan untuk satu Mata Kuliah
pada waktu tertentu.
d Mata Kuliah dengan bobot 3 SKS dijadwalkan dengan satu kali pertemuan
dalam seminggu.
e Hari aktif untuk perkuliahan adalah hari Senin sampai dengan Sabtu.

Sedangkan soft constraint merupakan kendala yang tidak selalu dapat


terpenuhi dalam proses pembentukan jadwal, akan tetapi meskipun tidak harus
terpenuhi, jadwal yang dihasilkan harus berusaha memenuhi ketentuan soft
constraint. Contoh soft constraints dalam penjadwalan Mata Kuliah antara lain:
a Dosen dapat meminta waktu mengajar tertentu yang diinginkan.
b Penempatan jadwal untuk waktu yang telah diminta Dosen disesuaikan
dengan prioritas Dosen.

15
16

2.2. Defenisi Teknik Optimasi


Optimasi adalah salah satu disiplin ilmu dalam matematika dengan tujuan
mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi,
peluang, maupun pencarian nilai dalam berbagai kasus. Pengaplikasian dari teknik
optimasi banyak dijumpai dalam berbagai bidang, seperti masalah penjadwalan dan
masalah penyusunan. Dalam pengaplikasiannya, ada tiga syarat yang harus
dipenuhi agar penerapan teknik optimasi dapat berhasil diterapkan, yaitu:
kemampuan membuat model matematika dari permasalahan yang dihadapi,
pengetahuan akan program komputer dan pengetahuan akan teknik optimasi itu
sendiri.
Masalah optimasi dapat dikategorikan ke dalam dua kelas besar, yaitu
optimasi tanpa pembatas (unconstrained optimization) dan optimasi dengan
pembatas (constrained optimization). Optimasi tanpa pembatas hanya melibatkan
fungsi tujuan, tidak ada pembatas (constraint), sedangkan optimasi dengan
pembatas, selain memiliki fungsi tujuan juga mempunyai tambahan pembatas yang
membuat permasalahan lebih rumit. Dalam constrained optimization, dengan
adanya pembatas diperlukan algoritma yang berbeda untuk menyelesaikannya.
Prosedur pemecahan masalah optimasi dilakukan dengan cara memodelkan
persoalannya ke dalam sebuah program matematis dan kemudian memecahkannya
dengan menggunakan teknik-teknik atau metode optimasi seperti program linier,
program nonlinier, program tujuan ganda, dan metode-metode lainnya yang sudah
berkembang saat ini. Dalam penelitian ini akan menggunakan metode Algoritma
Genetika untuk menyelesaikan persoalan optimasi. Permasalahan optimasi telah
banyak diselesaikan dengan menggunakan Algoritma Genetika, dan hasil yang
diperoleh biasanya lebih baik, walaupun tidak menutup kemungkinan bahwa ada
juga hasil akhir yang kurang begitu memuaskan (Desiani, 2006).

16
2.3. Algoritma Genetika
Algoritma Genetika pertama kali ditemukan oleh John Holland pada tahun
1975 melalui sebuah penelitian dari Universitas Michigan lalu dikembangkan oleh
muridnya David Goldberg pada tahun 1989. Awalnya tujuan Holland hanya untuk
mempelajari fenomena adaptasi yang terjadi di alam sekaligus untuk
mengembangkan cara-cara mekanisme adaptasi alam agar dapat dimasukkan ke
dalam sistem komputer, bukan untuk masalah yang spesifik. John Holland dalam
bukunya yang berjudul Adaptation In Natural And Artificial Systems, menyatakan
bahwa setiap masalah yang berbentuk adaptasi (alami maupun buatan) dapat
diformulasikan dalam terminologi genetika. Untuk memahami Algoritma Genetika
diperlukan 3 tahapan pendalaman yaitu: aspek filosofis, struktur dan komponen

2.3.1. Makna Filosofis Algoritma Genetika


Menurut Lawrence (1991), Algoritma Genetika adalah algoritma
kecerdasan buatan tentang teknik pencarian dan optimasi yang berdasarkan pada
mekanisme evolusi yang terjadi di alam. Algoritma Genetika merupakan cabang
dari algoritma evolusi yang digunakan untuk memecahkan masalah optimasi yang
kompleks dan sulit diselesaikan dengan menggunakan metode yang konvensional.
Algoritma ini didasarkan pada proses genetika pada makhluk hidup, yaitu
perkembangan populasi secara alami yang mengikuti proses seleksi alam, siapa
yang kuat dia yang bertahan (survive). Prinsip Algoritma Genetika adalah Survival
of The Fittest (kemampuan kelangsungan hidup) dengan pemecahan yang berbeda
dalam sebuah solusi. Pemecahan terbaik dari individu baru diharapkan merupakan
pemecahan yang terbaik dari populasi, sedangkan pemecahan yang kurang baik
akan dihilangkan. Survival dalam Algoritma Genetika merupakan suatu pewarisan
genetik yang dijadikan sebagai model metode pencarian pada suatu fenomena alam.
Dengan meniru teori evolusi, Algoritma Genetika dapat digunakan untuk mencari
solusi yang tepat untuk permasalahan optimasi pada dunia nyata baik satu variabel
maupun multivariabel seperti pada permasalahan penjadwalan, Travelling
Salesman Problem (TSP), perancangan neural networks (jaringan syaraf tiruan),
dan Job Shop Scheduling.

17
18

2.3.2. Struktur Umum Algoritma Genetika


Secara garis besar Algoritma Genetika memiliki banyak kesamaan dengan
mekanisme genetika alami, baik dalam tahapan prosesnya maupun definisi dari
istilah-istilah atau terminologi yang digunakan. Ekuivalensi istilah Algoritma
Genetika dan Genetika alami pada biologi dapat ditunjukkan pada Tabel 2.1.

Tabel 2.1. Perbandingan Istilah pada Genetika Alami dan Algoritma Genetika.
Genetika Alami Algoritma Genetika
Kromosom String
Gen Fitur, Karakter, atau Detector
Allel Nilai Fitur
Locus Posisi String
Genotip Struktur
Fenotip Set parameter, solusi alternatif, struktur yang di kodekan

Secara alamiah semua organisme terdiri dari sel, di dalam setiap sel terdiri
dari sekumpulan kromosom. Kromosom terbentuk dari sekumpulan gen, membuat
satu kesatuan yang tersusun dalam rangkaian linier. Setiap gen mempunyai letak
tersendiri di dalam kromosom, disebut lokus. Gen tersusun dari Deoxyribo Nucleic
Acid (DNA) yang membawa sifat-sifat keturunan. Setiap gen menyandikan protein
tertentu suatu sifat, contoh: gen warna mata binatang dengan posisi Lokus 10.
Bagian tertentu dari gen di dalam genome disebut Genotip. Beberapa sifat individu
yang menunjukkan perbedaan gen dan berada pada bagian yang berbeda disebut
alel.
Algoritma Genetika merepresentasikan individu sebagai sebuah kromosom.
Kromosom ini merupakan suatu solusi yang masih berbentuk simbol. Algoritma ini
menyelesaikan permasalahan dalam pencarian kromosom yang terbaik.
Kromosom-kromosom terbaik diperoleh dengan cara populasi awal yang dibangun
secara acak dan populasi berikutnya yang merupakan hasil evolusi kromosom-
kromosom melalui proses iterasi (seleksi, crossover dan mutasi) yang disebut
dengan istilah generasi. Pada setiap generasi, kromosom akan melalui proses

18
evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi Fitness. Nilai
Fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi
tersebut. Setelah melalui beberapa generasi, maka akan diperoleh kromosom
terbaik.

Beberapa definisi penting dalam Algoritma Genetika adalah sebagai


berikut:
a Gen adalah sebuah nilai yang menyatakan satuan dasar yang membentuk
suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom.
Dalam Algoritma Genetika, gen ini dapat berupa nilai biner, float, integer,
kombinatorial maupun karakter.
b Allel adalah nilai dari gen.
c Kromosom adalah gabungan gen-gen yang membentuk nilai tertentu.
d Individu menyatakan satu nilai atau menyatakan salah satu solusi yang
mungkin dari permasalahan yang diangkat.
e Populasi merupakan sekumpulan individu yang akan diproses bersama
dalam satu siklus proses evolusi.
f Generasi menyatakan hasil evolusi kromosom-kromosom melalui proses
iterasi.
g Nilai Fitness menyatakan seberapa baik nilai dari suatu individu atau solusi
yang didapatkan.
Algoritma Genetika secara umum dapat diilustrasikan pada Gambar 2.2.

19
20

Gambar 2.2. Flowchart Algoritma Genetika

Mulai

Data Mata Kuliah, Dosen,


Kelas, Jam Mata Kuliah

Pengkodean data Mata Kuliah

Prosedur Inisialisasi

Evaluasi Fitness

Seleksi
Menghasilkan Populasi Baru

Fitness Tidak
Crossove Mutasi
terbaik?
r

Ya

Kromosom terbaik

Hasil

Hasil

20
Dari Gambar 2.2., struktur umum dari suatu Algoritma Genetika dapat
didefinisikan dengan langkah-langkah sebagai berikut:
1. Membangkitkan populasi awal
Populasi awal dibangkitkan secara random, dimana populasi tersebut berisi
beberapa kromosom yang telah didefinisikan sehingga didapatkan solusi
awal. Populasi itu sendiri terdiri dari sejumlah kromosom yang
merepresentasikan solusi yang diinginkan.

2. Membentuk generasi baru


Dalam membentuk generasi baru digunakan tiga operator yaitu operator
reproduksi/seleksi, crossover dan mutasi. Proses ini dilakukan berulang-
ulang sehingga didapatkan jumlah kromosom yang cukup untuk
membentuk generasi baru dimana generasi baru ini merupakan representasi
dari solusi baru. Generasi baru ini dikenal denga istilah anak (offspring).

3. Evaluasi solusi
Pada tiap generasi, kromosom akan diukur dengan Fungsi Fitness. Nilai
Fitness suatu kromosom menggambarkan kualitas kromosom dalam
populasi tersebut. Proses ini akan mengevaluasi setiap populasi dengan
menghitung Nilai Fitness setiap kromosom dan mengevaluasinya sampai
terpenuhi Kriteria Berhenti. Apabila Kriteria Berhenti belum terpenuhi
maka akan dibentuk lagi generasi baru dengan mengulangi langkah 2.
Beberapa Kriteria Berhenti yang sering digunakan antara lain:
a. Berhenti pada generasi tertentu.
b. Berhenti setelah beberapa generasi berturut-turut didapatkan Nilai
Fitness tertinggi.
c. Berhenti pada n generasi dimana Nilai Fitness dari populasi tidak
mengalami perubahan.

21
22

2.3.3. Komponen-komponen Utama Algoritma Genetika


Ada enam komponen utama yang terdapat di dalam Algoritma Genetika,
(Kusumadewi, 2003) yaitu:
1. Teknik Pengkodean
Menurut Desiani (2006), pengkodean adalah suatu teknik untuk menyatakan
populasi awal sebagai calon solusi suatu masalah ke dalam suatu kromosom sebagai
suatu kunci pokok persoalan ketika menggunakan Algoritma Genetika. Teknik
pengkodean ini meliputi pengkodean gen dan kromosom. Gen direpresentasikan
dalam bentuk string bit, pohon, array bilangan real, daftar aturan, elemen permutasi,
elemen program, atau representasi lain yang dapat diimplementasikan untuk
operator Genetika.
2. Prosedur Inisialisasi
Prosedur inisialisasi adalah membangkitkan sejumlah individu secara acak
atau melalui prosedur tertentu. Ukuran populasi tergantung pada masalah yang akan
dipecahkan dan jenis operator Genetika yang akan digunakan. Setelah ukuran
populasi ditentukan, kemudian dilakukan inisialisasi terhadap kromosom yang
terdapat pada populasi tersebut. Inisialisasi dilakukan secara acak, namun demikian
harus tetap memperhatikan domain solusi dan kendala permasalahan yang ada.
3. Fungsi Evaluasi
Suatu individu dievaluasi berdasarkan fungsi tertentu sebagai ukuran
performansinya. Dalam Algoritma Genetika, individu yang memiliki Nilai Fitness
tertinggi yang akan dipertahankan, sedangkan individu bernilai Fitness rendah akan
diganti. Fungsi Fitness tergantung pada permasalahan tertentu dari representasi
yang digunakan.
Rumus Fitness yang digunakan dapat dilihat pada persamaan 2.1. (Lee dkk,
2001)
1
Fitness =1+(𝐹 𝐵 Persamaan 2.1.
1 1 +𝐹2 𝐵2 +...)

Dimana: Bn = Bobot pelanggaran


Fn = Banyaknya pelanggaran
n=1...n

22
4. Seleksi
Tujuan dari proses seleksi untuk memilih individu-individu yang akan
dipilih untuk proses persilangan dan mutasi, dimana diharapkan akan memperoleh
calon induk yang baik. Induk yang baik akan menghasilkan keturunan yang baik.
Langkah pertama dalam seleksi yaitu mencari nilai Fitness. Masing-masing
individu dalam suatu wadah seleksi akan menerima probabilitas reproduksi yang
tergantung pada nilai objektif dirinya sendiri terhadap nilai objektif dari semua
individu dalam wadah seleksi tersebut. Nilai Fitness inilah yang nantinya akan
digunakan pada tahap seleksi berikutnya. Ada beberapa metode untuk memilih
kromosom yang digunakan antara lain:
i. Seleksi Roda Rolet (roulette wheel selection).
Seleksi roda rolet dilakukan dengan cara menyeleksi parent dengan tujuan
untuk mempertahankan Nilai Fitness-nya, dimana yang mempunyai
kesempatan untuk diseleksi adalah kromoson yang baik. Pada metode ini
dapat dibayangkan seperti sebuah permainan roda (roullette wheel), di mana
semua kromosom ditempatkan dalam populasi, setiap tempat besar sesuai
dengan fungsi Fitness.
Kromosom dipilih berdasarkan Nilai Fitness, semakin besar Nilai Fitness
maka kromosom tersebut mempunyai peluang untuk dipilih beberapa kali.
Metode seleksi roda rolet merupakan metode yang paling sederhana, dan
sering juga dikenal dengan nama stochastic sampling with replacement.
ii. Seleksi Good Fitness
Seleksi menggunakan metode Good Fitness dilakukan dengan cara setengah
dari jumlah populasi yang memiliki harga Fitness yang terendah akan
dihilangkan, sehingga akan hanya selalu tersisa sekelompok solusi yang
terbaik yang pernah diperoleh oleh program. Solusi yang tersisa hasil seleksi
ini dikenal dengan nama populasi induk. Agar jumlah populasi tetap, maka
perlu dibangkitkan solusi baru sebanyak setengah dari jumlah populasi yang
ada. Dalam program penyeleksian, cara yang digunakan untuk
membangkitkan solusi baru menggunakan dua cara yaitu reproduksi
kromosom baru dan cara mutasi dari solusi induk. Tujuan pembangkitan

23
24

solusi baru ini untuk menemukan alternatif solusi yang lebih baik dari
solusi-solusi yang sudah diperoleh.
5. Operator Genetika
Algoritma Genetika merupakan proses pencarian yang heuristik dan acak
sehingga penekanan pemilihan operator yang digunakan sangat menentukan
keberhasilan Algoritma Genetika dalam menemukan solusi optimum suatu masalah
yang diberikan. Hal yang harus diperhatikan adalah menghindari terjadinya
konvergensi premature, yaitu mencapai solusi optimum yang belum waktunya,
dalam arti bahwa solusi yang diperoleh adalah hasil optimum lokal. Ada dua
Operator Genetika yaitu:
a. Persilangan (crossover)
Salah satu komponen yang paling penting dalam Algoritma Genetika adalah
persilangan (crossover). Persilangan dilakukan untuk menggabungkan dua
kromosom orang tua (parent) menjadi kromosom baru (offspring) pada suatu
waktu. Sebuah kromosom yang mengarah pada solusi yang baik dapat diperoleh
melalui proses crossover pada dua buah kromosom. Tidak semua kromosom
mengalami persilangan. Cara sederhana pada proses persilangan yaitu dengan
memilih suatu titik yang dipisahkan secara random dan kemudian membentuk
offspring dengan cara mengkombinasikan segmen sebelah kiri dari satu induk
dengan segmen sebelah kanan dari induk lainnya.
Terdapat beberapa jenis crossover, antara lain:
i. Crossover satu titik
Proses crossover dilakukan dengan memisahkan suatu kromosom (berupa
induk 1 dan induk 2) menjadi dua bagian yang dipisahkan oleh garis.
Kemudian, bagian yang telah dipisahkan oleh garis tadi dipertukarkan satu
dengan yang lainnya antara bagian dari induk 1 dengan salah satu bagian
dari induk 2. Misalkan ada dua kromosom dengan panjang 12 gen seperti
ditunjukkan pada ilustrasi berikut:
Induk 1 :01110|0101110
Induk 2 :11010|0001101
Kromosom baru yang terbentuk:

24
Anak 1 :01110|0001101
Anak 2 :11010|0101110
Dari induk 2 | dari induk 1

ii. Crossover banyak titik.


Proses crossover ini dilakukan dengan memisahkan suatu kromosom
(berupa induk 1 dan induk 2) menjadi beberapa bagian yang dipisahkan oleh
garis. Kemudian, bagian yang telah dipisahkan oleh garis tadi dipertukarkan
satu dengan yang lainnya antara bagian dari induk 1 dengan bagian dari
induk 2. Misalkan ada dua kromosom dengan panjang 12:
Induk 1 :01|1100|1011|10
Induk 2 :11|0100|0011|01
Posisi yang dipilih: kromosom setelah 2, 6 dan 10
Kromosom baru yang terbetuk:
Anak 1 :01|0100|1011|01
Anak 2 :11|1100|0011|10
iii. Mutasi (Mutation)
Operator berikutnya mutasi (mutation). Proses mutasi merupakan proses
untuk mengubah salah satu atau lebih beberapa gen dari suatu kromosom.
Proses ini berperan untuk menggantikan gen yang hilang dari populasi
akibat proses seleksi yang memungkinkan munculnya kembali gen yang
tidak muncul pada inisialisasi populasi. Beberapa cara operasi mutasi yang
diterapkan dalam Algoritma Genetika menurut jenis pengkodeannya, antara
lain:
1. Mutasi dalam pengkodean biner
Mutasi p ada pengkodean biner merupakan operasi yang sangat sederhana.
Proses yang dilakukan adalah menginversi nilai bit pada posisi tertentu yang
dipilih secara acak (atau dengan menggunakan skema tertentu) pada
kromosom.
Contoh mutasi pada pengkodean biner:
Kromosom sebelum mutasi :10010111
Kromosom sesudah mutasi :10010011

25
26

2. Mutasi dalam pengkodean permutasi


Proses mutasi dalam pengkodean permutasi dilakukan dengan memilih dua
posisi (lokus) dari kromosom dan nilainya saling dipertukarkan.
Contoh mutasi dalam pengkodean permutasi
Kromosom sebelum mutasi :123465879
Kromosom sesudah mutasi :127465839

6. Parameter Kontrol
Parameter Kontrol Genetika diperlukan untuk mengendalikan operator-
operator seleksi. Pemilihan parameter genetika menentukan penampilan kinerja
Algoritma Genetika dalam memecahkan masalah (Desiani, 2006). Ada dua
parameter dasar dari Algoritma Genetika, yaitu Probabilitas Crossover (Pc) dan
Probabilitas Mutasi (Pm).
a. Probabilitas Crossover (Pc)
Probabilitas Crossover akan mengendalikan operator crossover dalam
setiap generasi dalam populasi yang mengalami crossover. Semakin besar nilai
Probabilitas Crossover, akan semakin cepat struktur individu baru terbentuk ke
dalam populasi. Sedangkan apabila nilai Probabilitas Crossover terlalu besar,
individu yang merupakan kandidat solusi terbaik mungkin akan dapat hilang lebih
cepat pada generasi selanjutnya. Disarankan nilai Probabilitas Crossover berkisar
antara 80 % - 95 %.
b. Probabilitas Mutasi (Pm)
Probabilitas mutasi akan mengendalikan operator mutasi pada setiap
generasi dimana peluang mutasi yang digunakan biasanya lebih kecil daripada
peluang crossover. Pada seleksi alam murni, mutasi jarang sekali muncul. Oleh
karena itu, operator mutasi pada Algoritma Genetika juga tidak selalu terjadi. Untuk
itulah nilai peluang mutasi dibuat lebih kecil untuk setiap generasi. Disarankan nilai
probabilitas mutasi kecil berkisar antara 0.5 % - 1 %.
Parameter lain yang juga ikut menentukan efisiensi kinerja Algoritma
Genetika adalah ukuran populasi, yaitu banyaknya kromosom dalam satu populasi.
Tidak ada aturan yang pasti tentang berapa nilai ukuran populasi. Apabila ukuran

26
populasi kecil berarti hanya tersedia sedikit pilihan untuk crossover dan sebagian
kecil dari domain solusi saja yang dieksplorasi untuk setiap generasinya. Sedangkan
apabila terlalu besar, kinerja Algoritma Genetika akan menurun. Penelitian
menunjukan ukuran populasi besar tidak mempercepat pencarian solusi.
Disarankan ukuran populasi berkisar antara 20–30.

27
28

BAB III
METODOLOGI

3.1 Jenis dan Lokasi Penelitian


Dalam melakukan penelitian ini, jenis penelitian yang digunakan oleh
penelitian yaitu penelitian kualitatif. Penelitian kualitatif merupakan suatu metode
untuk memahami suatu gejala masalah. Proses penelitian ini dilakukan agar dapat
menghasilkan temuan yang benar-benar bermanfaat serta melakukan perhatian
yang serius terhadap berbagai hal yang dipandang perlu.
Adapun lokasi penelitian ini dilakukan di Laboratorium pada Fakultas
Teknik pada Universitas Riau.

3.2 Metode Penelitian

1. Studi Literatur
Studi literatur dilakukan untuk mengetahui konsep-konsep dasar yang
menunjang penelitian ini. Literatur yang dikaji pada penelitian ini berhubungan
dengan Algoritma Genetika, HTML, PHP, CSS, Java Script, Design website,
MySQL, database, University Timetabling Scheduling.

2. Observasi
Studi lapangan merupakan teknik pengumpulan data dengan langsung
terjun ke lapangan untuk mengamati permasalahan yang terjadi secara langsung di
tempat kejadian secara sistematik kejadian-kejadian, perilaku, objek-objek yang
dilihat dan hal-hal yang diperlukan dalam mendukung penelitian yang sedang
dilakukan mengamati sistem penjadwalan secara langsung di Fakultas Teknik pada
Universitas Riau. Dalam penelitian ini, peneliti melakukan pengamatan langsung
pada mahasiswi dan Mahasiswa Teknik Informatika dari pagi hingga sore
selesainya perkuliahan.

28
3. Wawancara
Wawancara merupakan Teknik Pengumpulan Data yang dilakukan melalui
tatap muka dan tanya jawab langsung antara pengumpul data terhadap
Kaprodi dan Dosen. Adapun penyusunan wawancara ini adalah sebagai
berikut:
Tema : Sistem Penyusunan Jadwal Perkuliahan Teknik Informatika.
Tujuan : Mempercepat dalam penyusunan jadwal Mata Kuliah yang
terus berganti tiap semester.
Target Narasumber: Kaprodi dan dosen Teknik Informatika.

4. Perancangan Tampilan/keluaran
5. Algoritma
6. Perancangan Program
Dalam penelitian ini menggunakan Metode Perancangan Aplikasi
Waterfall. Metode Perancangan Aplikasi waterfall merupakan salah satu metode
dalam (SDLC) yang mempunyai ciri khas pengerjaan tiap fase dalam Waterfall
harus diselesaikan terlebih dahulu, sebelum melanjutkan ke fase selanjutnya.
Metode Waterfall adalah pengerjaan dari suatu system dilakukan secara berurutan
atau secara linear. Secara garis besar Metode Waterfall mempunyai langkah-
langkah sebagai berikut: Analisa, Desain, Penulisan, Pengujian dan Penerapan serta
Pemeliharaan. (Kadir, 2003).

1. Analisa Kebutuhan
Langkah ini merupakan analisa terhadap kebutuhan sistem. Pengumpulan
data dalam tahap ini bisa melakukan sebuah penelitian, wawancara atau studi
literatur. Sistem analis akan menggali informasi sebanyak-banyaknya dari user
sehingga akan tercipta sebuah sistem komputer yang bisa melakukan tugas-tugas
yang diinginkan oleh user tersebut.

2. Desain Sistem

29
30

Tahapan dimana dilakukan penuangan pikiran dan perancangan sistem


terhadap solusi dari permasalahan yang ada dengan menggunakan perangkat
pemodelan system seperti diagram alir data (data flow diagram), diagram hubungan
entitas (entity relationship diagram) serta struktur dan bahasan data.

3. Penulisan Kode Program


Penulisan kode program atau coding merupakan penerjemahan design
dalam bahasa yang bisa dikenali oleh komputer. Tahapan ini yang merupakan
tahapan secara nyata dalam mengerjakan suatu sistem.

4. Pengujian Program
Tahapan akhir dimana sistem yang baru diuji kemampuan dan
keefektifannya sehingga didapatkan kekurangan dan kelemahan sistem yang
kemudian dilakukan pengkajian ulang dan perbaikan terhadap aplikasi menjadi
lebih baik dan sempurna.

5. Penerapan Program dan Pemeliharaan


Perangkat lunak yang sudah disampaikan kepada pelanggan pasti akan
mengalami perubahan. Perubahan tersebut bisa karena mengalami kesalahan karena
perangkat lunak harus menyesuaikan dengan kondisi yang ada.

3.3 Flowchart
3.4 Used Case Diagram
3.5 Perancangan Program

30
BAB IV

HASIL SEMENTARA

4.1 Desain Antarmuka

Graphical User Interface (GUI) telah dirancang dengan menggunakan


MATLAB R2013a untuk melakukan deteksi cacat botol minuman plastik. Pada
Gambar 4.1 dan 4.2 ditampilkan desain layout dan desain sistem saat dijalankan.

Gambar 4.1 Desain layout

31
32

Gambar 4.2 Desain sistem saat dijalankan

Sejauh ini, sistem telah mampu melakukan proses image processing dan
ekstraksi fitur bentuk dengan baik. Namun, untuk tahap klasifikasi dengan
menggunakan BPNN belum dirancang.

4.2 Data Citra Botol Minuman Plastik

Data citra botol minuman plastik diambil sebanyak 10 buah untuk menguji
sistem yang telah dirancang. Data citra terdiri dari 5 botol baik dan 5 botol cacat.
Selanjutnya, masing-masing citra akan diproses untuk mendapatkan fitur
bentuknya. Citra yang digunakan dan fitur bentuk yang dihasilkan dapat dilihat
pada Lampiran 1 dan 2.

32
BAB V

PENUTUP

5.1 Kesimpulan

Pada penelitian ini, digunakan teknik pengolahan citra digital (image


processing) untuk mendapatkan fitur bentuk citra botol minuman plastik (area,
perimeter, major axis length, solidity) dan BPNN sebagai metode klasifikasi. Fitur-
fitur bentuk yang telah diperoleh akan digunakan untuk melatih BPNN. Pada tahap
klasifikasi, botol yang berkualitas baik akan lolos pemeriksaan atau pass.
Sedangkan botol yang memiliki cacat akan ditolak atau reject.
DAFTAR PUSTAKA

Andrianto, Titus., Zaini, A., & Purnama, I Ketut E. (2011). Sistem Pendeteksi
Cacat Produksi Pada Produk Botol Berbahan Gelas.
http://digilib.its.ac.id/ITS-Undergraduate-3100011042690/16391.
Anwariningsih, Sri. H., Arifin, Agus Z., & Yuniarti, Anny. (2010). Estimasi Bentuk
Structuring Element Berdasar Representasi Objek. Jurnal Ilmiah KURSOR
Vol. 5 No.3, pp.157-165 ISSN 0216 - 0544.
Bahri, Raden Sofia. (2011). Perbandingan Algoritma Template Matching dan
Feature Extraction Pada Optical Character Recognition.
http://elib.unikom.ac.id/files/disk1/537/jbptunikompp-gdl-radensofia-26801
-6-unikom_r-i.pdf
Bertalya. (2005). Representasi Citra. http://bertalya.staff.gunadarma.ac.id/
Downloads/files/13447/Representasi+Citra.pdf
Brosnan, T., Sun, & D., Mei, (2003). Improving quality inspection of food products
by computer vision––a review. Elsevier Journal of Food Engineering 61. 3–
16.
Erniasanti, Dyah A., & Setiyono, Budi. (2014). Deteksi Kecacatan Pada Produksi
Peluru Menggunakan Metode Line Detection. http://repository.its.ac.id/741/
Haniff, H.M., Sulaiman, M., Shah, H.N.M., & Teck, L.W. (2011). Shape-based
matching: Defect inspection of glue process in vision system. In Industrial
Electronics and Applications (ISIEA), 2011 IEEE Symposium on (pp. 53-57).
IEEE.
Jumarwanto, A., Hartanto, R., & Prastiyanto, D. (2009). Aplikasi Jaringan Syaraf
Tiruan Backpropagation untuk Memprediksi Penyakit THT di Rumah Sakit
Mardi Rahayu Kudus. Jurnal Teknik Elektro Vol.1 No.1, pp. 11-21.
Kadir, Abdul, & Susanto, A. (2013). Teori dan Aplikasi Pengolahan Citra.
Yogyakarta: Penerbit Andi.
Lasander, C. (2013). Pengaruh Citra Merek, Kualitas Produk dan Promosi
Terhadap Kepuasan Konsumen Sepeda Motor Honda Beat. Jurnal EMBA
Vol.1 No.3 pp.284-293 ISSN 2303-1174.
Lesnussa, Y.A., Latuconsina, S., & Persulessy, E.R. (2015). Aplikasi Jaringan
Syaraf Tiruan Backpropagation untuk Memprediksi Prestasi Siswa SMA
(Studi kasus: Prediksi Prestasi Siswa SMAN 4 Ambon). Jurnal Matematika
Integratif Vol.11 No.2, pp. 149-160.
Liu, X., Yang, Y., Gao, M., Huang, J. & He, Z. (2015). A machine vision system for
film capacitor defect inspection. In Industrial Electronics and Applications
(ICIEA), 2015 IEEE 10th Conference on (pp. 1414-1419). IEEE.
Moradi, G., Shamsi, M., Sedaaghi, M.H. & Moradi, S. (2011). Apple defect
detection using statistical histogram based fuzzy c-means algorithm. In
Machine Vision and Image Processing (MVIP), 2011 7th Iranian (pp. 1-5).
IEEE.
Mu, H., Qi, D., Zhang, M. & Zhang, P. (2010). Study of wood defects detection
based on image Processing. In Fuzzy Systems and Knowledge Discovery
(FSKD), 2010 Seventh International Conference on (Vol. 2, pp. 607-611).
IEEE.
Muhaemin, Ahmad. (2012). Analisis Pengendalian Kualitas Produk Ddengan
Metode Six Sigma pada Harian Tribun Timur: Skripsi, Jurusan Ekonomi
Universitas Hasanuddin. http://repository.unhas.ac.id/bitstream/handle/
123456789/1198/achmad%20muhaemin%20A21108295%20%28full%29.p
df?sequence=2
Pasaribu, Romindo M. (2015). Manajemen mutu. Medan: Universitas HKBP
Nommensen.
Patil, M. P. (2013). Using Machine Learning in Automatic Image Annotation for
Content Management. Doctor Philosophy, North Maharashtra University,
Jalgaon.
Pradhitya, Rio. (2015). Pembangunan aplikasi deteksi dan tracking warna virtual
drawing menggunakan algoritma color filtering. Jurnal Komputer dan
Informatika (KOMPUTA).
Puspitaningrum, Diyah. (2006). Pengantar Jaringan Saraf Tiruan. Yogyakarta :
Penerbit Andi.
Ramli, S., Mustafa, M.M., Wahab, D.A. & Hussain, A. (2010). Plastic bottle shape
classification using partial erosion-based approach. In Signal Processing and
Its Applications (CSPA), 2010 6th International Colloquium on (pp. 1-4).
IEEE.
Saad, N.M., Rahman, N.A., Abdullah, A.R., dan Wahab, F.A. (2017). Shape Defect
Detection for Product Quality Inspection and Monitoring System.
Siang, Jong Jek. (2005). Jaringan Syaraf Tiruan Pemrograman Menggunakan
Matlab. Yogyakarta : Penerbit Andi.
Wuryandari, M. D., & Afrianto, I. (2012). Perbandingan Metode Jaringan Syaraf
Tiruan Backpropagation dan Learning Vector Quantization Pada
Pengenalan Wajah. Jurnal Komputer dan Informatika (KOMPUTA) Vol 1,
pp. 45-51.

35
36

Yani, Eli. (2005). Pengantar Jaringan Saraf Tiruan. Artikel kuliah.


http://trirezqiariantoro.files.wordpress.com/2007/05/jaringan_syaraf_tiruan.
pdf

36
DAFTAR LAMPIRAN

Lampiran 1 Data citra botol baik dan botol cacat


Lampiran 2 Data ekstraksi fitur bentuk masing-masing citra
Lampiran 1 Data citra botol baik dan botol cacat

Nama Gambar Nama Gambar

pass1 reject1

pass2 reject2

reject3
pass3
pass4 reject4

pass5 reject5

39
Lampiran 2 Data ekstraksi fitur masing-masing citra

Area Perimeter Major Axis Solidity Botol


Length
1833082.000 7310.898 3011.797 0.934 Pass1
1787934.000 7314.721 2973.740 0.933 Pass2
1815548.000 7463.834 2994.702 0.923 Pass3
2143053.000 7784.001 3265.847 0.948 Pass4
1876990.000 7431.976 3047.006 0.941 Pass5
2024247.000 7668.195 3270.822 0.937 Reject1
2102110.000 7659.224 3201.155 0.963 Reject2
1997305.000 7589.148 3153.058 0.955 Reject3
2397683.000 8429.204 3488.926 0.947 Reject4
2061797.000 7716.219 3272.179 0.946 Reject5