BAB 2
LANDASAN TEORI
Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk
merupakan proses penyusunan daftar pekerjaan yang akan dilakukan untuk mencapai
atau mewujudkan suatu tujuan tertentu yang juga memuat tabel waktu pelaksanaan.
mata kuliah dan waktu dosen untuk mengajar mata kuliah kepada mahasiswa. Mata
jadwal disusun pada setiap awal semester baru serta dibedakan atas jadwal semester
ganjil dan semester genap. Tetapi penjadwalan digunakan pada penelitian ini
merupakan jadwal semester genap. Tujuan penjadwalan perkuliahan agar tidak terjadi
bentrokan antara jadwal yang satu dengan yang lain. Permasalahan yang dihadapi
penjadwalan terletak pada lebih banyak mata kuliah yang harus dijadwalkan daripada
kapasitas ruang yang harus sesuai dengan mahasiswa dan kesediaan dosen dalam
yang harus dipenuhi atau tidak boleh dilanggar. Kendala-kendala tersebut yaitu:
1. Dosen dapat mengajar lebih dari satu mata kuliah dan tidak boleh boleh terjadi
tumpukan dosen
2. Satu mata kuliah dapat diampu dua dosen atau lebih. Terdapat ruangan tertentu
laboratorium
Algoritma genetika merupakan metode heuristik adaptif yang memiliki dasar pemikiran
atau gagasan untuk proses seleksi alam dan genetika berdasarkan penelitian Charles
Darwin. Dengan kata lain pencarian solusi suatu masalah dengan algoritma genetika
akan terus berevolusi[9]. Algoritma genetika memberikan solusi dari masalah yang
tidak memiliki suatu metode pencarian solusi yang tepat, ataupun bila ada, mungkin
membutuhkan waktu yang lama dalam mencari solusinya. Pencarian solusi dengan
algoritma genetika ini diminati oleh karena tidak membutuhkan waktu yang lama.
Selain itu hasil dari algoritma genetika ini cukup memuaskan dan dapat diaplikasikan
pada semua bidang. Algoritma genetika pertama kali ditemukan oleh John Hollands
dari University of Michigan memulai karyanya pada algoritma genetika pada awal
tahun 1960.
Karya Holland bersama salah satu murid yang bernama David Golberg
melakukan penelitian dan merupakan sebuah prestasi pertama adalah penerbitan sebuah
buku dengan judul Adaptasi di Alam dan Buatan Sistem pada tahun 1975. Motivasi
yang kuat dan adaptif menyimulasikan evolusi struktur genetik yang ditemukan dalam
organisme. Ide dasarnya adalah bagaimana suatu populasi berpotensi berisi solusi, atau
solusi yang lebih baik, untuk masalah adaptif diberikan[6]. Mengingat masalah tertentu
potensial untuk masalah tersebut, dikodekan dengan cara tertentu, dan terdapat tujuan
yang dihasilkan disebut fungsi fitness yang memungkinkan setiap calon harus
dievaluasi secara kuantitatif. Calon ini mungkin solusi sudah dikenal untuk melakukan
proses genetik, dengan tujuan algoritma genetika yang untuk meningkatkan individu,
Secara alami semua organisme terdiri dari sel, di mana setiap sel terdiri dari
tersusun dalam rangkaian linear. Setiap gen mempunyai letak tersendiri di dalam
kromosom yang disebut dengan lokus. Gen tersusun dari (DNA), yang membawa sifat-
sifat keturunan. Setiap gen menyandi protein tertentu suatu sifat. Bagian tertentu dari
gen di dalam genom disebut genotip. Beberapa sifat individu yang menunjukkan
perbedaan gen dan berada pada bagian disebut alel[4]. perbandingan istilah alam
chromosome String
Gene Karakter
genotype Struktur
Dalam algoritma genetika solusi yang dterapkan pada sebuah populasi individu-
kromosom, yang ditunjukkan dengan sekumpulan simbol dalam bentuk string dengan
panjang tertentu dan biasanya dari alphabet biner (0,1). Dalam algoritma genetika ada
istilah populasi, individu, kromosom, gen, allela, locus, fitness, perkawinan silang
sejumlah solusi yang mungkin. Populasi awal dibangun secara acak, sedangkan
disebut dengan generasi [5]. Individu adalah sekumpulan gen dalam sistem algoritma
genetika bisa dikatakan sama dengan kromosom. Generasi adalah individu yang
terdapat dalam satu populasi. Kromosom merupakan solusi yang masih berbentuk
simbol. Allela merupakan nilai yang berada dalam gen, sedangkan locus adalah letak
suatu gen berada dalam suatu kromosom. Anak (Offspring) adalah generasi berikutnya
yang terbentuk dari gabuangan 2 kromosom. Generasi sekarang yang bertindak sebagai
operator mutasi.
keturunan yang baik pula. Dalam prakteknya penerapan algoritma genetika kromosom
adalah populasi yang tersedia secara acak. Siklus operasional genetik akan berhasil
apabila kromosom yang disebut induk digabungkan untuk menghasilkan anak yang
merupakan generasi baru dari proses evaluasi ini (manipulasi terhadap gen) diharapkan
kromosom yang lebih baik akan menghasilkan jumlah offspring yang lebih banyak dan
karakteristik yang perlu diketahui sehingga dapat dibedakan dari prosedur pencarian
sendiri.
individu.
suatu fungsi.
deterministik.
Kerangka dasar dari algoritma genetika sering disebut Simple Genetic oleh John
sesuai dengan fitness mereka (semakin baik fitness, maka semakin besar
Jika tidak terjadi persilangan maka keturunan yang dihasilkan akan sama
5. [Test]. jika kondisi akhir dipenuhi maka berhenti dan tampilkan solusi dari
populasi.
kromosom. Satu gen biasanya merepresentasikan satu variabel. Gen dapat diwakili
dalam bentuk bilangan real, bit, daftar aturan, elemen permutasi, elemen program, atau
Fitness value atau nilai fitness merupakan ukuran baik tidak sebuah individu
(kromosom) dan baik tidak sebuah solusi yang didapatkan[7]. Dalam penempatan
sebuah nilai fitness harus dilihat dari fungsi tujuan, jika nilai fitness semakin besar,
maka sistem yang dihasilkan semakin baik, walaupun pada awalnya semua nilai fitness
sebagian akan lebih tinggi dari yang lain. Kromosom dengan nilai fitness yang lebih
tinggi ini akan memberikan probabilitas yang tinggi untuk bereproduksi pada generasi
nilai fitness value, yang ditentukan dengan sebuah fungis evaluasi. Fitness value dapat
didefinisi:
𝐴
Fitness = A – F(X) atau Fitness =
𝐹 𝑋 +𝐸
Keterangan:
X = Individu (kromosom)
Suatu kromosom yang memiliki nilai fitness yang tinggi akan banyak
memproduksi banyak anak, tetapi pada generasi tertentu kromosom anak-anaknya akan
mengalami dominasi populasi. Karena proses seleksi tergantung pada fitness value,
maka penting dalam algoritma genetika untuk membuat fungsi evaluasi dengan teliti,
sehingga untuk setiap generasi pada proses evoluasi fungsi fitness yang
menyimulasikan seleksi alam, akan menekan populasi terarah fitness yang meningkat.
Ada berbagai teknik yang suatu algoritma genetika dapat digunakan untuk memilih
1. Seleksi elitis
Pembentukan populasi baru yang paling baik hilang. Oleh karena itu metode ini
sebagai tahap awal memasukkan kromosom dengan nilai fitness yang paling
baik atau beberapa kromosom dengan nilai fitness yang tinggi atau cukup baik
2. Seleksi Roulette-wheel
dipilih adalah sebanding dengan jumlah yang fitness yang lebih besar atau lebih
kecil dari nilai fitness. Konseptual, hal ini dapat direpresentasikan sebagai
lebih mendapatkan potongan lebih besar atau yang kurang dari roda kemudian
berputar, dan individu mana yang "memiliki" bagian yang terbesar maka
menjadi solusi.
a. Scaling seleksi
meningkat dan fungsi fitness menjadi lebih diskriminatif. Metode ini dapat
membantu dalam membuat pilihan terbaik nanti pada saat populasi memiliki
fitness relatif tinggi dan perbedaan kecil hanya dalam fitness membedakan satu
b. Turnamen pilihan
Sub kelompok individu dipilih dari populasi yang lebih besar, dan anggota dari
setiap sub-kelompok bersaing satu sama lain. Hanya individu dari setiap
c. seleksi Rank
dan pemilihan didasarkan pada peringkat ini bukan perbedaan absolut dalam
fitness. Keuntungan dari metode ini adalah bahwa hal itu dapat mencegah
individu yang sangat baik dari mendapatkan dominasi awal pada individu yang
kurang baik, yang akan mengurangi keragaman genetika populasi dan mungkin
d. Steady-state selection
Pemikiran utama dari metode seleksi ini adalah sebagian kromosom dari
sejumlah kromosom yang mempunyai nilai fitness tinggi untuk diprosses untuk
rendah dibuang
penyilangan gen. crossover dilakukan dengan pertukaran gen dari kedua induk secara
acak. Kromosom yang baru yang terbentuk akan mewariskan sebagian kromosom
induk. Dalam proses crossover diharapkan sifat-sifat genetik yang baik dari induk
Crossover (perkawinan silang) juga dapat berakibat buruk pada populasi yang
sangat kecil, jika suatu kromosom dengan gen-gen yang mengarah ke solusi akan
sangat cepat menyebar kromosom lain. Untuk mengatasi masalah ini digunakan aturan
bahwa artinya perkawinan silang hanya bisa dilakukan dengan probabilitas tertentu 𝜌c,
artinya pindah silang bisa dilakukan hanya jika suatu bilangan random yang
dibangkitkan kurang dari probabilitas yang ditentukan tersebut dan nilai probabilitas
diset mendekati 1.
yang diharapkan akan mengalami perkawinan silang terhadap jumlah kromosom dalam
dengan penyilangan antar string yang diperoleh sebelumnya. beberapa jenis crossover
tersebut adalah:
Penyilangan satu titik dilakukan dengan memisahkan suatu string menjadi dua
bagian dan selanjutnya salah satu sabagian dipertukarakan dengan salah satu
bagian dari string yang lain yang telah dipisahkan dengan cara sama untuk
menghasilkan anak. Proses penyilangan satu titik dapat dilihat seperti tabel 2.2
Pada penyilangan banyak titik dilakukan dengan memilih dua titik penyilangan.
Kromosom keturunan dibentuk dengan barisan bit dari awal titik pertama
disalin dari induk pertama, bagian titik crossover pertama dan kedua disalin dari
induk kedua, kemudian selebihnya disalin dari induk pertama lagi. Proses
3. Penyilangan Seragam
secara acak dari kedua induknya. Proses penyilangan seragam dapat dilihat
2.2.7 Mutasi
Mutasi dilakukan setelah perkawinan silang dengan memilih kromosom yang akan
dimutasi secara acak kemudian menetukkan titik mutasi pada kromosom tersebut secara
acak. Melalui mutasi kromosom baru dapat diciptakan dengan melakukan modifikasi
terhadap satu atau lebih karakter pada kromosom sama. Mutasi gen adalah proses
penggantian gen dengan nilai invers, gen 1 menjadi 0 dan 0 menjadi 1. Kromosom
yang akan mengalami mutasi dihitung berdasarkan probabilitas mutasi yang ditentukan
terlebih dahulu. probabilitas mutasi adalah 100% maka semua kromosom yang ada
pada populasi tersebut akan mengalami mutasi, sebaliknya jika probabilitas mutasi
digunakan adalah 0% maka tidak kromosom yang mengalami mutasi pada populasi
tersebut.
Mutasi berfungsi untuk menggantikan gen yang hilang dari populasi selama
proses seleksi serta menyediakan gen yang tidak ada dalam populasi awal, sehingga
mutasi akan meningkatkkan variasi populasi. Penukaran pasangan ini dilakukan pada
dua gen dalam satu kromosom. Beberapa cara operasi mutasi diterapkan dalam
Proses ini yang dilakukan adalah menginvers nilai bit pada posisi tertentu yang
terpilih secara acak atau menggunakan skema tertentu pada kromosom, yang
langsung bit-bit pada kromosom tidak dapat dilakukan pada kromosom dapat
diperhatikan. Salah satu cara yang dapat dilakukan adalah memilih dua posisi
Mutasi dalam pengkodean pohon dapat dilakukan antara lain dengan cara
mengubah operator (+,-,*,/) atau yang terkandung pada suatu vertex pohon yang
dipilih.
aturan pasti tentang nilai setipa parameter ini. Ukuran populasi kecil berate hanya
tersedia sedikit pilihan untuk crossover dan sebagian kecil dari domain solusi saja yang
genetika menurun. Menurut penelitian ukuran populasi besar tidak mempercepat proses
crossover umumnya berkisar antara 0,6 sampai dengan 0,9 dan probabilitas mutasi
kecil sekitar 0,5%-1% atau sekitar 1 dibagi dengan jumlah gen. pengoperasian
1. Probabilitas Persilangan
antara 2 kromosom. Jika tidak persilangan maka keturunan akan sama persis
dengan kromosom induk, tetapi tidak berarti generasi yang baru sama persis
2. Probabilitas Mutasi
menyusun sebuah kromosom. Jika tidak terjadi mutasi maka keturunan yang
dihasilkan setelah crossover tidak berubah. Jika terjadi mutasi bagian kromosom
akan berubah. Jika probabilitas 100% semua kromosom akan dimutasi, Jika
3. Jumlah individu
dalam satu generasi. Jika hanya sedikit kromosom dalam populasi maka
melakukan crossover antara induk karena hanya sebagian kecil dari individu
yang dipakai. Sebaliknya jika terlalu banyak, maka algoritma genetik akan
semakin lambat.
4. Jumlah Populasi