I.

PENDAHULUAN

1.1. Latar Belakang

Penjadwalan merupakan suatu proses, cara, pembagian waktu berdasarkan

rencana pengaturan yang terperinci. Dalam pembuatan jadwal kuliah, dijumpai

berbagai persoalan seperti keterbatasan ruang, jumlah ruang yang digunakan untuk

menyelenggarakan perkuliahan, keterbatasan kapasitas ruang, dan keterbatasan jam

mengajar dosen. Semakin bertambahnya jumlah mata kuliah yang akan dijadwalkan,

semakin lengkap persoalan penjadwalan yang dihadapi.

Selama ini, penjadwalan matakuliah di Universitas Taman Siswa Palembang

( TAMSIS ) umumnya masih bersifat manual, dengan mengakomodasi keterbatasan-

keterbatasan tersebut, namun belum mempertimbangkan sisi efisiensi baik dari sisi

penggunaan ruang dan fasilitas yang ada maupun dari sisi kenyamanan bagi dosen

maupun mahasiswa. Selain itu juga perlu diperhatikan efisiensi penggunaan ruang,

yaitu perlunya pengalokasian ruang yang tepat bagi suatu mata kuliah berdasarkan

kapasitas ruang dan beban utilitas ruang tersebut.

Penjadwalan mata kuliah menjadi salah satu masalah yang selalu dihadapi oleh

setiap universitas. Penjadwalan mata kuliah merupakan penyusunan dan pengaturan

jadwal mata kuliah - mata kuliah pada slot waktu yang tersedia selama satu minggu

beserta pembagian ruang kelasnya. Penjadwalan tersebut harus memperhatikan

beberapa hal seperti kapasitas ruang, dosen, mahasiswa, dan jumlah SKS setiap mata

1
kuliah. Masalah penjadwalan meliputi optimasi beberapa kriteria termasuk batasan-

batasan seperti kebijakan kurikulum, pemilihan ruang kelas yang sesuai, dan

ketersediaan dosen pengajar.

untuk menyelesaikan masalah tersebut digunakan Algoritma Particle Swarm

Optimized (PSO). Particle Swarm Optimized (PSO) merupakan bagian dari pencarian

heuristic. Particle Swarm Optimized (PSO) adalah suatu metode optimasi yang

menggabungkan metode local search dengan metode global search, yang

menyeimbangkan antara eksplorasi dan eksploitasi. Diharapkan dengan adanya

Particle Swarm Optimized (PSO) akan diperoleh optimasi penjadwalan yaitu kondisi

di mana terjadi kombinasi terbaik untuk pasangan mata kuliah dan dosen secara

keseluruhan, tidak ada persoalan bentrokan jadwal pada sisi mahasiswanya.

Berdasarkan uraian di atas perlu dibuat sebuah aplikasi yang menggunakan

metode yang tepat untuk membantu penyusunan jadwal perkuliahan di Jurusan

Manajemen. Maka dengan adanya aplikasi ini nantinya diharapkan dapat mengatur jam

mengajar dosen dan juga jadwal perkuliahan mahasiswa, sehingga menghindari adanya

bentrokan jadwal.

1.2. Perumusan Masalah

Berdasarkan latar belakang yang telah uraikan, maka permasalahan yang timbul

adalah bagaimana membuat jadwal mata kuliah dan pembagian dosen pada tiap-tiap

kelas di TAMSIS, sehingga didapatkan kombinasi mata kuliah yang lebih baik guna

2
menghasilkan jadwal mata kuliah yang optimal. Jadwal mata kuliah dikatakan optimal

apabila tidak didapatkan kress didalamnya dan tidak melanggar konstrain yang

ditentukan.

1.3. Batasan Masalah

Untuk Batasan masalah yang diberikan dalam penyelesaian penjadwalan kuliah

ini meliputi proses penjadwalan matakuliah dengan menggunakan metode PSO

sehingga penjadwalan terbaik tercipta secara sistematis dan informasi keatasan dapat

disampaikan dengan cepat dan tepat.

1.4. Tujuan dan Manfaat

1.4.1. Tujuan

Tujuan yang ingin dicapai dari pembuatan aplikasi penjadwalan ini adalah

sebagai berikut:

1. Menyusun jadwal perkuliahan yang otomatis.

2. Menerapkan metode PSO untuk menyusun jadwal perkuliahan.

3. Membuat aplikasi penjadwalan mata kuliah dengan menerapkan metode

PSO.

4. Mempermudah dan mempercepat proses pembuatan jadwal kuliah di jurusan

Manajemen dengan hasil yang optimal.

3
1.4.2. Manfaat

Adapun manfaat dari penelitian ini adalah sebagai berikut :

1. Untuk lebih mempermudah penjadwalan matakuliah di Fakultas Manajemen

Universitas Taman Siswa Palembang.

2. Lebih memahami konsep dari algoritma PSO dalam optimalisasi penjadwalan.

4
II. TINJAUAN PUSTAKA

2.1. Landasan Teori

2.1.1. Penjadwalan

Berdasarkan Kamus Besar Bahasa Indonesia(KBBI) jadwal merupakan

pembagian waktu berdasarkan rencana pengaturan urutan kerja. Jadwal juga

didefinisikan sebagai daftar, tabel kegiatan atau rencana kegiatan dengan pembagian

waktu pelaksanaan yang terperinci. Sedangkan penjadwalan merupakan proses, cara,

perbuatan menjadwalkan atau memasukkan dalam jadwal. (Depdikbud, 1995).

Sedangkan menurut putra (2009) Penjadwalan merupakan proses untuk

menyusun suatu jadwal atau urutan proses yang diperlukan dalam sebuah persoalan.

Persoalan penjadwalan biasanya berhubungan dengan penjadwalan kelas dalam

sekolah atau perkuliahan dan juga dalam lingkup yang tidak jauh berbeda seperti

penjadwalan ujian, penjadwalan karyawan, ataupun penjadwalan job shop. Dalam

penjadwalan kuliah, akan dibahas tentang pembagian jadwal untuk tiap mahasiswa

pada kuliah tertentu sekaligus dosen pengajarnya. Dalam penjadwalan ujian akan

dibahas pengaturan dosen yang menjaga ujian dan mahasiswa yang menempati ruang

ujian yang ada. Dalam penjadwalan karyawan, dilakukan pengaturan karyawan yang

akan bekerja pada waktu tertentu di bagian tertentu. Sedangkan dalam penjadwalan job

shop, dilakukan penjadwalan sejumlah mesin dan sejumlah pekerjaan terkait rute yang

telah ditentukan. Proses tersebut tentu saja dibuat berdasarkan permasalahan yang ada.

5
 Beberapa proses umum yang perlu dilakukan untuk menyelesaikan suatu

proses penjadwalan sebagai berikut (putra, 2009):

a. Mendefinisikan atau membuat model dari permasalahan. Model yang dibuat

mencakup proses apa saja yang akan dikerjakan dalam persoalan penjadwalan

yang ada. Atau lebih jelasnya jadwal apa saja yang akan dibuat;

b. Mendesain metode penyelesaian untuk permasalahan penjadwalan tersebut.

Dari model yang telah ada, ditentukan metode yang akan digunakan untuk

menyelesaikan permasalahan penjadwalan tersebut;

c. Mencari bermacam-macam contoh permasalahan penjadwalan yang telah

dibuat. Dalam proses ini dilakukan pencarian penyelesaian penjadwalan yang

pernah digunakan agar dapat dipakai sebagai referensi dalam proses yang

sedang dilakukan.

2.1.2. Optimalisasi

Menurut Kamus Besar Bahasa Indonesia (Depdikbud, 1995:628) Optimalisasi

adalah berasal dari kata dasar optimal yang berarti terbaik, tertinggi, paling

menguntungkan, menjadikan paling baik, menjadikan paling tinggi, dan

pengoptimalan. Sehingga optimalisasi adalah suatu tindakan, proses, atau metodologi

untuk membuat sesuatu (sebagai sebuah desain, system, atau keputusan) menjadi

lebih/sepenuhnya sempurna, fungsional, atau lebih efektif.

6
2.1.3. Algoritma

Menurut para ahli sejarah matematika, Algoritma pertama kali di temukan

oleh seorang ilmuan muslim dari daerah bukhoro yaitu Abu Ja'far Muhamad Ibnu Musa

Al-Khawarizmi. Selain sebagai penemu Al-Jabar dan angka Nol, beliau juga dikenal

sebagai ilmuan astronomi yang dalam bahasa arab di sebut Ilmu Falaq, ilmu ini juga di

pelajari di dalam pondok-pondok pesantren salafi. Dan masih banyak keahlian beliau

dalam cabang ilmu lainnya.

Terdapat beberapa defenisi dari algoritma yang dikutip dari beberapa literatur,

antara lain:

1. Menurut Rinaldi Munir: Algoritma adalah urutan langkah-langkah untuk

memecahkan suatu masalah. (Munir,2011:04)

2. Menurut Kamus Besar Bahasa Indonesia (KBBI) versi online yang

dikembangkan oleh Ebta Setiawan: Kata dasar algoritma adalah algoritme

yang artinya prosedur sistematis untuk memecahkan masalah matematis dalam

langkah-langkah terbatas. (KBBI versi online, https://kbbi.web.id, diakses

tanggal 28 November 2018).

2.1.4. Algoritma Particle Swarm Optimization (PSO)

Wati dan Rochman (2013) Algoritma Particle Swarm Optimization disingkat

sebagai PSO diperkenalkan oleh Dr. Eberhart dan Dr. Kennedy pada tahun 1995,

merupakan algoritma optimasi yang meniru proses yang terjadi dalam kehidupan

populasi burung dan ikan dalam bertahan hidup.Sejak diperkenalkan pertama kali,

algoritma PSO berkembang cukup pesat, baik dari sisi aplikasi maupun dari sisi

7
pengembangan metode yang digunakan pada algoritma tersebut (Wati, Rochman,

2013). Hal ini disebabkan, algoritma PSO merupakan algoritma optimasi yang mudah

dipahami, cukup sederhana, dan memiliki unjuk kerja yang sudah terbukti handal.

Algoritma PSO dapat digunakan pada berbagai masalah optimasi baik kontinyu

maupun diskrit, linier maupun nonlinier.

Kusmarna (2013) PSO memiliki banyak kesamaan dengan teknik-teknik

evolutionary computation yang lain, seperti Genetic Algorithms (GA), Evolutionary

Strategies (EA), Evolutionary Programming, dan sebagainya. PSO maupun GA

dimulai dengan suatu populasi yang terdiri dari sejumlah individu (yang menyatakan

solusi) yang dibangkitkan secara acak dan selanjutnya melakukan pencarian solusi

optimum melalui perbaikan individu untuk sejumlah generasi tertentu. Tetapi berbeda

dengan GA, PSO tidak menggunakan operator-operator evolusi seperti rekombinasi

(cross over) dan mutasi. PSO memiliki memori untuk menyimpan solusi terbaik,

sedangkan GA tidak punya. Setiap partikel pada PSO tidak pernah mati, sedangkan

individu pada GA bisa mati dan digantikan dengan individu baru. Pada PSO, posisi dan

kecepatan terbang partikel di-update pada setiap iterasi sehingga partikel tersebut bisa

menghasilkan solusi baru yang lebih baik.

Ilmi (2015) Algoritma PSO memodelkan aktivitas pencarian solusi terbaik

dalam suatu ruang solusi sebagai aktivitas terbangnya kelompok partikel dalam suatu

ruang solusi tersebut. Posisi partikel dalam ruang solusi tersebut merupakan kandidat

solusi yang berisi variabel-variabel optimasi. Setiap posisi tersebut akan dikaitkan

8
dengan sebuah nilai yang disebut nilai objektif atau nilai fitness yang dihitung

berdasarkan fungsi objektif dari masalah optimasi yang akan diselesaikan.

Kusmarna, dkk (2015) Algoritma PSO terdiri dari tiga tahap, yaitu

pembangkitan posisi serta kecepatan partikel, update velocity (update kecepatan),

updateposition (update posisi). Pertama posisi dan kecepatan dari kumpulan partikel

dibangkitkan secara random menggunakan batas atas (xmax) dan batas bawah (xmin)

dari design variable, seperti yang ditunjukkan pada persamaan berikut (Kusmarna, dkk,

2015): 𝑥0𝑖 = 𝑥𝑚𝑖𝑛 + rand(𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 ) ……(1)

𝑣0𝑖 = 𝑥𝑚𝑖𝑛 + rand(𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 ) …….(2)

Di mana:
𝑥0𝑖 = posisi awal
𝑣0𝑖 = kecepatan awal
xmin = batas bawah
xmax = batas atas
rand = nilai random antara nilai 0 dan 1

Anisialisasi & Bangkitan posisi awal serta

Start kecepatan awal secara random

Evaluasi fitness berdasarkan posisinya

Update nilai terbaik partikel dan

kumpulan PBest dan GBest

Update Nilai Velocity untuk semua posisi

TIDAK
Update Nilai Posisi untuk semua posisi

Evaluasi Fitness setiap partikel

9
 Memenuhi stopping
conditator

YA

Stop

Gambar 2.1 : Diagram alir algoritma PSO (Kusmarna, 2013)

Ariani, (2011) Posisi dan kecepatan direpresentasikan dalam bentuk vektor di

mana n dimensi vektor merepresentasikan jumlah dari desain variabel partikel, dengan

superscript dan subscript menotasikan partikel ke i pada waktu ke k. Dengan proses

inisialisasi ini maka kumpulan partikel dapat terdistribusi secara random pada design

space. Vektor seperti ditunjukkan di bawah ini (Ariani, 2011):

1 2 𝑛
𝑋𝐾𝑖 = (𝑥𝑘𝑖 , 𝑥𝑘𝑖 ,… ,𝑥𝑘𝑖 )𝑇 ………(3)
1 2 𝑛
𝑣𝑘𝑖 =(𝜈𝑘𝑖 , 𝑣𝑘𝑖 , … , 𝑣𝑘𝑖 )𝑇 …….…(4)

Langkah kedua adalah update velocity (kecepatan) untuk semua partikel pada

waktu k +1menggunakan fungsi objektif atau nilai fitness posisi partikel saat ini pada

design space saat waktu ke k. Dari nilai fitness dapat ditentukan partikel mana yang
𝑔
memiliki nilai global terbaik (global best) pada swarm saat ini, 𝑝𝑘 , dan juga dapat

ditentukan posisi terbaik dari tiap partikel pada semua waktu yang sekarang dan

10
sebelumnya, 𝑝𝑖 . Perumusan update velocity menggunakan dua informasi tersebut untuk

semua partikel pada kumpulan dengan pengaruh perpindahan yang sekarang, 𝑣𝑘𝑖 , untuk

𝑖
memberikan arah pencarian, 𝑣𝑘+1 , untuk generasi selanjutnya. Perumusan update

velocity mencakup beberapa parameter random, rnd , untuk mendapatkan cakupan

yang baik pada design space, tiga parameter yang mempengaruhi arah pencarian, yaitu

inertia factor (w), self confidence (c1), swarm confidence (c2) akan digabungkan dalam

satu penyajian, seperti yang ditunjukkan persamaan berikut (Ariani, 2011):

𝑖 𝑔
𝑣𝑘+1 = 𝑤 ∗ 𝑣𝑘𝑖 + c1*rnd*( 𝑝𝑖 - 𝑥𝑘𝑖 )+c2*rnd*(𝑝𝑘 − 𝑥𝑘𝑖 ………. (5)

Dengan range w = 0,4 – 1,4,c1 = 1,5 – 2.0 dan c2 = 2.0 – 2.5

langkah terakhir dari setiap iterasi adalah update posisi tiap partikel dengan

vektor velocity, seperti yang ditunjukkan pada persamaan berikut ini :

𝑖
𝑥𝑘+1 = 𝑥𝑘𝑖 + 𝑣𝑘+1
𝑖
……(6)

Tiga tahapan diatas akan diulang sampai kriteria kekonvergenan terpenuhi,

kriteria kekonvergenan sangat penting dalam menghindari penambahan fungsi evaluasi

setelah solusi optimum didapatkan, namun kriteria kekonvergenan tidak selalu mutlak

diperlukan, penetapan jumlah iterasi maksimal juga dapat digunakan sebagai stopping

condition dari algoritma. (Ariani, 2011).

Pseudo code algoritma PSO

for setiap partikel
Inisialisasi partikel menggunakan persamaan (2.1) dan (2.2)
end
repeat
for setiap partikel
11
 Hitung nilai fitness
if nilai fitness baru lebih baik daripada
nilai fitness lama
Update nilai fitness dari partikel tersebut
End
Pilih partikel dengan nilai fitness terbaik diantara semua
partikel tetangganya dan simpan nilai fitness terbaik tersebut
for setiap partikel
Hitung velocity partikel menggunakan persamaan (2.3)
Update posisi partikel menggunakan persamaan (2.4)
end
until (KriteriaBerhenti == true)

2.1.5. Fitness

Menurut kusmarna ( 2013 ) Fungsi fitness digunakan untuk mengukur tingkat

kebaikan atau kesesuaian (fitness) suatu solusi dengan solusi yang dicari. Fungsi

fitness bisa berhubungan langsung dengan fungsi tujuan, atau bisa juga sedikit

modifikasi terhadap fungsi tujuan. Sejumlah solusi yang dibangkitkan dalam populasi

akan dievaluasi menggunakan fungsi fitness.

Pada kasus optimasi, dikenal dua masalah, yaitu maksimasi dan minimasi.

Maksimasi artinya mencari nilai maksimal dari sesuatu (bisa berupa fungsi).

Sedangkan minimasi artinya mencari nilai minimal dari sesuatu. (kusmarna, 2013 ).

Jika tujuannya adalah memaksimalkan sebuah fungsi, maka fungsi fitness yang

digunakan adalah fungsi itu sendiri, jadi f = h (di mana f adalah fungsi fitness).

Sedangkan jika tujuannya adalah meminimalkan fungsi h, maka fungsi h tidak bisa

digunakan secara langsung. Fungsi fitness yang digunakan untuk masalah minimasi

adalah f = 1/h. artinya, semakin kecil nilai h semakin besar nilai f. tetapi fungsi fitness

ini akan bermasalah jika h bisa bernilai 0, yang mengakibatkan f bisa bernilai tak

12
hingga. Untuk mengatasi masalah tersebut, fungsi fitness perlu dimodifikasi sedikit

menjadi:
1
F = (ℎ+𝑎) …………… (6)

Kusmarna (2013) di mana h merupakan hasil penjumlahan dari constraint yang

dilanggar. Sedangkan a adalah bilangan yang dianggap sangat kecil untuk menghindari

pembagian dengan 0. Nilai a biasanya didefinisikan sebagai 0,001 atau disesuaikan

dengan masalah yang akan diselesaikan.

2.1.5.1 Menentukan Nilai Fitness Masing-Masing Partikel

Ariani (2011) Dalam penjadwalan ini nilai fitness ini menentukan banyaknya

pelanggaran constraint yang harus dioptimasi.

Constraint-constraint yang digunakan untuk pengoptimasian aplikasi

penjadwalan ini antara lain (Ariani, 2011):

a. Tidak boleh ada bentrok mahasiswa, yaitu setiap mahasiswa hanya

diperbolehkan mengikuti satu matakuliah pada hari dan jam yang sama;

b. Tidak boleh ada bentrok dosen, yaitu setiap dosen hanya diperbolehkan

mengajar satu perkuliah pada hari dan jam yang sama;

c. Tidak boleh ada dosen yang sama dan mengajar mata kuliah yang sama dalam

satu kelas dalam sehari.

Ariani (2011) Jika pada masing-masing partikel terjadi pelanggaran terhadap

constraint-constraint di atas, maka nilai fitness-nya adalah dijumlahkan setiap

13
pelanggaran yang terjadi dalam satu iterasi kemudian dihitung dengan fungsi fitness

minimasi. Sehingga partikel terbaik adalah partikel dengan nilai fitness terkecil.

2.2. PHP

Menurut Refky (2016) Hypertext Preprocessor atau di singkat PHP adalah suatu

Bahasa pemrograman yang digunakan untuk membuat web dinamis, walau bisa juga

digunakan untuk membuat program lain. Tentunya Bahasa pemrograman PHP berbeda

dengan HTML, pada PHP Script/kode yang dibuat tidak dapat ditampilkan pada

halaman/muka website begitu saja, tapi harus diproses terlebih dahulu oleh web server

lalu di tampilkan dalam bentuk halaman website di web browser.

Kode PHP mempunyai ciri-ciri khusus yaitu (Refky, 2016):

1. Hanya dapat dijalankan menggunakan web server misalnya: Apache

2. Kode PHP dapat diletakkan dan dijalankan di web server

3. Kode PHP dapat digunakan untuk mengakses data bases, seperti: MySQL

PostgresSQL Oracle, dan lain-lain.

4. Menerapkan software yang bersifat open source.

5. Memiliki system multiplatform, artinya dapat dijalankan menggunakan system

operasi apapun, seperti Linus, Unix, windows, dan lain-lain.

Selain memberikan keuntungan seperti pada beberapa poin diatas, juga didukung

oleh banyak komunitas. Hal ini membuat PHP terus berkembang. Selain itu, anda dapat

belajar lebih banyak lagi tentang tips dan trik penggunaannya dari berbagai komunitas,

Lembaga Pendidikan, ataupun melalui media internet. (Refky, 2016).

14
2.3. MySQL

Kautsar dan Rakhmadi (2015), MySQL adalah sebuah system manajemen

Database Management System (DBMS) yang multithread, multi-user, dengan jumlah

sekitar 5 juta instalasi di dunia. MySQL tersedia sebagai perangkat lunak gratis di

bawah lisensi GNU. Dengan adanya keadaan seperti itu maka dapat menggunakan

software database ini dengan bebas tanpa harus takut dengan lisensi yang ada. Dalam

penggunaannya di internet, MySQL dijadikan sebagai sebuah database yang paling

banyak digunakan, penggunaan MySQL pada umumnya digunakan dengan bahasa

pemrograman PHP, karena perpaduan antara keduanya dapat menangani berbagai

permintaan data.

Kemampuan lain yang dimiliki MySQL adalah mampu mendukung Relasional

Database Manajemen Sistem (RDBMS), sehingga dengan kemampuan ini MySQL

akan mampu menangani data- data perusahaan yang berukuran sangat besar hingga

berukuran Giga Byte. (Kautsar, Rakhmadi, 2015).

2.4. Teknik Pengujian Perangkat Lunak

Pressman (2000), Pengujian perangkat lunak adalah elemen kritis dari jaminan

kualitas perangkat lunak dan merepresentasikan kajian pokok dari spesifikasi, desain,

dan pengkodean.

Teknik pengujian perangkat lunak dapat dibagi atas beberapa macam, namun

yang paling umum digunakan adalah sebagai berikut (Kusmarna, 2013):

15
1. Pengujian White Box

Pengujian white box terkadang juga disebut sebagai pangujian glass-box,

merupakan metode perancangan test case yang menggunakan struktur control

dari perancangan prosedural untuk memperoleh test case.Dengan menggunakan

metode white-box, sistem analis akan memperoleh test case yang:

a. Memberi jaminan bahwa jalur independent pada suatu modul telah digunakan

paling tidak satu kali;

b. Menggunakan semua keputusan logis pada sisi true dan false;

c. Mengerjakan seluruh loop yang sesuai dengan batasannya;

d. Menggunakan struktur data internal yang menjamin validitas.

2. Pengujian Black Box

Pengujian Black Box adalah pengujian yang fokus pada persyaratan fungsional

perangkat lunak. Pengujian ini memungkinkan sistem analis memperoleh

kumpulan kondisi input yang akan mengerjakan seluruh keperluan fungsional

program.

Tujuan metode ini mencari kesalahan pada:

a. Fungsi yang tidak benar atau hilang;

b. Kesalahan pada interface;

c. Kesalahan pada struktur data atau akses database;

d. Kesalahan kinerja;

e. Kesalahan inisialisasi dan tujuan akhir.

16
2.5. Penelitian Sebelumnya
Berikut ini beberapa penelitian yang membahas menggunakan algoritma Particle

Swarm Optimization antara lain:

Tabel 2.1 Penelitian Sebelumnya

No Penulis/Universitas Judul

1 Irfrans kusmarna, fakultas sains dan Aplikasi Penjadwalan Mata

teknologi, jurusan teknik informatika, Kuliah Menggunakan Algoritma
universitas islam negeri sultan syarif Particle Swarm Optimization
kasim riau Pekanbaru (2015) (Pso)
2 Dwi Ana Ratna Wati, Fakultas Model Penjadwalan Matakuliah
Teknologi Industri, Jurusan Teknik Secara Otomatis Berbasis
Elektro, Universitas Islam Indoensia Algoritma Particle Swarm
(2013) Optimization (PSO)
3 Dian Ariani, Fakultas Departemen Optimasi Penjadwalan Matakuliah
Teknik Informatika dan Komputer, Di jurusan teknik informatika pens
Jurusan Teknik Informatika, Politeknik dengan menggunakan Algoritma
Elektronika Negeri Surabaya (2011) particle swarm optimization (pso)

17
2.6. Kerangka Berpikir

Kerangka berpikir dalam penelitian ini seperti tahapan berikut:

Masalah

1. Bagaimana cara mengatasi pengolahan data dalam penjadwalan di jurusan Manajemen,

UniversitasTaman Siswa Palembang
2. Bagaimana membuat jadwal mata kuliah dan pembagian dosen pada tiap-tiap kelas di
TAMSIS
3. Bagaimana cara merancang aplikasi penjadwalan

Tujuan

1. Menyusun jadwal perkuliahan yang otomatis.

2. Mempermudah dan mempercepat proses pembuatan jadwal kuliah di
jurusan Manajemen dengan hasil yang optimal

Pendekatan/Metode
Algoritma Particle Swarm

Optimization
Pengujian ( testing )

1. White Box
2. Black Box

Hasil
PERANGKAT LUNAK PENJADWALAN KULIAH MENGGUNAKAN
ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) STUDI
KASUS UNIVERSITAS TAMAN SISWA PALEMBANG

Gambar: 2.2 Kerangka Berpikir

18
III. METODOLOGI PENELITIAN

3.1. Tempat dan Waktu Penelitian

Penelitian ini dilaksanakan di Jurusan Manajemen Universitas Taman Siswa

Palembang(TAMSIS), dengan mengumpulkan data tentang penjadwalan mata kuliah.

Penelitian ini dilakukan sejak oktober 2018.

3.2. Data Penelitian

Adapun data yang digunakan dalam penelitian ini yakni berasal dari:

1. Data Primer

Data Primer yaitu data secara langsung dari objek penelitian dengan pengamatan

langsung masalah yang diteliti, terutamanya proses belajar mengajar di Jurusan

Manajemen Universitas Taman Siswa Palembang. Data – data tersebut antara

lain:

1. Data Dosen Pengampu

2. Mata kuliah.

3. Kelas perkuliahan per Program Studi.

4. Jumlah ruangan.

5. Waktu perkuliahan.

2. Data Sekunder

Data Sekunder yaitu data yang diperoleh secara tidak langsung, yang diperoleh

melalui perpustakaan, teori-teori dan buku-buku serta literature yang

19
 berhubungan dengan permasalahan yang dibahas melalui dokumen, jurnal

ilmiah,internet, dll.

3.3. Metode Pengembang Sistem

Gambar 3.1 Model Prototype

Metode pengembangan dalam pembuatan perangkat lunak ini menggunakan

metode Prototype, yang meliputi beberapa proses diantaranya (Handayani, 2016):

1. Pengumpulan Kebutuhan

Customer dan developer bersama– sama mendefinisikan format seluruh

perangkat lunak, mengidentifikasikan semua kebutuhan, dan garis besar sistem

yang akan dibuat.

2. Membangun Prototyping

20
 Membangun prototyping dengan membuat perancangan sementara yang

berfokus pada penyajian kepada customer (misalnya dengan membuat input

dan format output).

3. Evaluasi Prototyping

Evaluasi ini dilakukan oleh customer, apakah prototyping yang sudah

dibangun sudah sesuai dengan keinginan customer atau belum. Jika sudah

sesuai, maka langkah selanjutnya akan diambil. Namun, jika tidak, prototyping

direvisi dengan mengulang langkah – langkah sebelumnya.

4. Mengkodekan Sistem

Dalam tahap ini prototyping yang sudah disepakati diterjemahkan ke dalam

bahasa pemrograman yang sesuai.

5. Menguji Sistem

Setelah sistem sudah menjadi suatu perangkat lunak yang siap pakai, kemudian

dilakukan proses pengujian. Pengujian ini dilakukan dengan White Box dan

Black Box.

6. Evaluasi Sistem

Customer mengevaluasi apakah perangkat lunak yang sudah jadi sudah sesuai

dengan yang diharapkan. Jika ya, maka proses akan dilanjutkan ke tahap

selanjutnya, namun jika perangkat lunak yang sudah jadi tidak/belum sesuai

dengan apa yang diharapkan, maka tahapan sebelumnya akan diulang.

7. Menggunakan Sistem

Perangkat lunak yang telah diuji dan diterima pelanggan siap untuk digunakan.

21
3.4. Metode Pengumpulan Data

Adapun metode penelitian yang digunakan untuk memperoleh data dalam

penelitian ini adalah:

1. Studi pustaka

Dengan cara mencari dan mengkaji teori-teori yang mendukung dalam

melaksanakan pemecahan masalah yang sedang diteliti. Teori-teori tersebut

diperoleh dari buku-buku referensi, hasil penelitian sebelumnya maupun jurnal

ilmiah yang mendukung dalam penelitian ini.

2. Observasi

Dengan cara mengumpulkan data-data yang diperoleh dari lapangan yang

diperlukan untuk menunjang penelitian.

3. Diskusi

Dengan melakukan kegiatan bimbingan dengan dosen pembimbing, pembimbing

dilapangan, dan pihak yang dapat membantu dalam penyelesaian penelitian ini.

3.5. Alat dan Bahan

Adapun alat dan bahan yang dibutuhkan dalam penelitian ini, yaitu :

a. Hardware (Perangkat Keras)

1) Laptop Acer Processor Intel(R) Coleron(R) CPU B820 @ 1.70GHz

2) RAM 2 GB

3) Harddisk 250 GB

b. Software (Perangkat Lunak)

22
1) Windows 10 pro

2) NetBeans IDS 7.0

3) XAMPP tool versi win32-7.1.8-0-VC14

4) Text editor, (Notepad ++)

5) Web browser(Google Chrome dan mozilla firefox

23
 3.6. Jadwal Penelitian

Mei Juni Juli Agustus September Oktober

No Kegiatan 2018 2018 2018 2018 2018 2018
I II III I II III I II III I II III I II III I II III

Pengajuan
1.
Judul
Proposal
Pengumpu
2.
lan
Referensi
3. Penulisan
Proposal
Pengurusa
4.
n Izin
Penelitian
5. Penyusuna
n Proposal

November Desember Januari Februari Maret

No Kegiatan 2018 2018 2019 2019 2019
I II III I II III I II III I II III I II III

3. Penulisan
proposal
Pengurusan
4.
izin
penelitian
5. Penyusunan
proposal

24
Keterangan : Telah dilakukan

Belum dilakukan

DAFTAR PUSTAKA

Kusmarna, Wardhani dan Muhammad Safrizal. 2015. Aplikasi Penjadwalan Mata

Kuliah Menggunakan Algoritma Particle Swarm Optimization (PSO). Jurnal Teknik
Informatika.

Wati, Rochman. 2013. Model Penjadwalan Matakuliah Secara Otomatis Berbasis

Algoritma Particle Swarm Optimization (PSO). Jurnal Rekayasa Sistem Industri.
Putra, Yendrika, 2009. Aplikasi Penjadwalan Perkuliahan Menggunakan Algoritma
Genetika. UIN Suska Riau, Pekanbaru.
Munir, Rinaldi. 2011. Algoritma & Pemograman Dalam Bahasa Pascal dan C. Edisi
Revisi. Bandung: Informatika Bandung.
Ilmi, Misbahul. 2015. Optimasi Jadwal Perkuliahan Menggunakan Algoritma Particle
Swarm Optimization. UIN Maulana Malik Ibrahim, Malang
Ariani, Dian. 2011, April. Optimasi Penjadwalan Mata Kuliah Di Jurusan Teknik
Informatika Pens Dengan Menggunakan Algoritma Particle Swarm Optimization
(PSO). Jurnal Teknik Informatika dan komputer
Refky, Muhammad. 2016. Sistem Informasi Penjadwalan Matakuliah Berbasis web
Pada Politeknik Jambi. Skripsi. Jambi: : Fakultas Teknik Elektronika Jurusan
Teknik Komputer dan Jaringan. Politeknik jambi.
Setiawan, Ebta. Tanpa tahun. Kamus Besar Bahasa Indonesia versi online.
http://kbbi.web.id. diakses tanggal 16 Februari 2018.
Kautsar, Rakhmadi. 2015. Information Display System Jadwal Perkuliahan Prodi
Informatika Universitas Muhammadiyah Surakarta Berbasis Web. Makalah.
Fakultas Komunikasi dan Informatika Jurusan Informatika.
Handayani, Sri . 2016. Implementasi Algoritma Particle Swarm Optimization (PSO)
Untuk Optimasi Penjadwalan Mata Pelajaran dan Ujian Semester. Skripsi. Jurusan
Teknik Informatika Fakultas Sains dan Teknologi. UIN Sunan Gunung Djati
Bandung.

25
Pressman. Roger S. 2000. Software Engineering: A Practioner’s Approach.” 5th
edition, ISBN 0073655783. McGrow-Hill, New York

26