MANAJEMEN PERMINTAAN DAN PERENCANAAN BERBASIS

JADWAL UNTUK SIMULASI KERETA API BATURAJA –

LAMPUNG DENGAN METODE ALGORITMA GENETIKA
PARTICLE SWARM OPTMIZATION

SKRIPSI

Bunga Rizki Sakinah

11180940000016

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UINSYARIF HIDAYATULLAH JAKARTA
2022 M/1444 H
MANAJEMEN PERMINTAAN DAN PERENCANAAN BERBASIS
JADWAL UNTUK SIMULASI KERETA API BATURAJA –
LAMPUNG DENGAN METODE ALGORITMA GENETIKA
PARTICLE SWARM OPTMIZATION

SKRIPSI

Diajukan kepada

Universitas Islam Negeri Syarif Hidayatullah Jakarta

Fakultas Sains dan Teknologi

Untuk Memenuhi Salah Satu Persyaratan dalam

Memperoleh Gelar Sarjana Matematika (S.Mat)

Oleh:

Bunga Rizki Sakinah

11180940000016

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UINSYARIF HIDAYATULLAH JAKARTA
2022 M/1444 H
 KATA PENGANTAR

Assalamu’alaikumWr. Wb.
Alhamdulillahhirabbil’alamin, puji syukur kehadirat Allah SWT atas segala
limpahan rahmat dan hidayah kepada umat-Nya, khusus nya kepada penulis, sehingga
penulis dapat menyelesaikan skripsi yang insya allah dengan baik.
Skripsi yang berjudul “MANAJEMEN PERMINTAAN DAN PERENCANAAN
BERBASIS JADWAL UNTUK SIMULASI KERETA API BATURAJA – LAMPUNG
DENGAN METODE ALGORITMA GENETIKA PARTICLE SWARM
OPTMIZATION” adalah salah satu tugas wajib bagi penulis sebagai tugas akhir perkuliahan.
Di dalam penyusunan skripsi ini penulis menyadari tidak akan lepas dari
dukungan dan bantuan banyak pihak. Untuk itu, pada kesempatan ini penulis ingin
menyampaikan terimakasih kepada:
1. Allah SWT yang senantiasa memberikan nikmat, kesehatan dan kekuatan yang luar
biasa kepada penulis.
2. Ibu tersayang dan adik-adik saya, yang telah memberikan curahan doa, semangat,
kasih sayang, dan dukungan baik moril maupun materil sehingga penulis dapat
menyelesaikan skripsi ini dengan baik.
3. Ibu Dr. Summaina, M.Si, selaku Ketua Program Studi Matematika Fakultas Sains
dan Teknologi UIN Syarif Hidayatullah Jakarta.
4. Ibu Yanne Irene, M.Si, selaku Dosen Pembimbing I dan Bapak M Irvan septiar
Musti, S.Si., M.Si, selaku Dosen Pembimbing II, terima kasih atas pengarahan dan
sarannya selama pembuatan skripsi ini.
5. Raden, etot, sule dan team kerja inara galery terima kasih banyak sudah selalu
menjadi pembangkit mood ini, agar trus semangat menyelesaikan skripsi.
6. Sahabat tersayang Fani Aulia dan Aulia astika, terima kasih sudah kuat dan selalu
ada serta bertahan sampai saat ini.
7. Teman – teman Matematika 2018 yang selalu memberi semangat dan dukungan
selama kuliah hinggan skripsi ini selesai.
8. Seluruh pihak yang sudah membantu penulis dalam mengerjakan skripsi ini yang
tanpa mengurangi rasa hormat penulis tidak dapat sebutkan satu-persatu.
Penulis menyadari bahwa dalam penyusunan laporan ini masih banyak
kekurangan. Oleh sebab itu, penulis sangat menerima dan mengharapkan kritik dan
saran yang bersifat membangun untuk perbaikan di masa yang akan datang. Terakhir,
penulis berharap semoga laporan ini dapat bermanfaat.
Wassalamu’alaikum Wr. Wb.
Baturaja, April 2022

Penulis
 BAB I
PENDAHULUAN

1.1 Latar Belakang

“Dan ia (hewan ternak) mengangkut beban-bebanmu ke suatu negeri yang kamu

tidak sanggup mencapainya, kecuali dengan susah payah. Sungguh, rabbmu maha
pengasih, maha penyayang. Dan (dia telah menciptakan) kuda, bagal, dan keledai
untuk kamu tunggangi dan (menjadi) perhiasan. Allah menciptakan apa yang tidak
kamu ketahui.” (QS. An-Nahl: 7-8)
Dijelaskan pada ayat tersebut Allah SWT menciptakan kendaraan sebagai nikmat
dan anugrah untuk manusia dalam memudahkan berbagai urusan. Pada zama dahulu
kendaraan masih berupa hewan-hewan ternak, namun pada zaman yang semakin
canggih ini banyak macam dan jenis kendaraan yang telah di ciptakan, diantaranya
adalah kereta api. Kereta api merupakan salah satu kendaraan yang banyak di minati
masyarakat di Indonesia, khusus nya daerah baturaja. Banyak factor yang
mempengaruhi minat nya masyarakat terhadap penggunaan kereta api, selain harganya
yang ekonomis, ke efektifan waktu juga menjadi salah satu alasan masyarakat banyak
menggunakan kereta api.
Pada penelitian ini penulis terinspirasi dari beberapa masalah yang ada pada
kendaraan jenis kereta api, di antaranya saat libur nasional tiba, banyak masyrakat yang
hendak bepergian menggunakan kereta api namun berkendala pada jam keberangkatan
yang sedikit, kapasitas penumpang yang tidak banyak, serta kereta yang di gunakan
pun terbatas. Semakin tinggi minat masyarakat terhadap penggunaan kereta api, di
harapkan semakin optimal pula penjadwalan yang ada sesuai dengan kebutuhan
masyarakat, yang berkaitan dengan jumlah penumpang, jumlah kereta dan waktu
keberangkatan kereta.
Pengoptimalan jadwal sering menjadi bahan penelitian sebelumnya, di antaranya
adalah penelitian yang di lakukan oleh Dwi Agustina Sapriyanti dkk[1] dalam
mengoptimalkan jadwal kereta api Bandung – Cicalengka dengan metode algoritma
branch and bound. Pada penelitian ini di harapkan dapat meminimumkan waktu
keterlambatan dengan memperhatikan beberapa batasan yang ada dan tidak melanggar
kapasitas jalur yang lain, Berdasarkan model optimasi yang telah dibangun, waktu
keterlambatan yang diperoleh di lintasan Bandung – Cicalengka adalah sebesar 630
menit.
Selanjutnya penelitian terkait penjadwalan di lakukan oleh Yolanda Nailil Ula
dkk[2] dalam mengatur penjadwalan dinas pegawai dengan menggunakan algoritma
genetika. Data yang di gunakan pada penelitian ini adalah setiap kromosom
dibangkitkan menggunakan bilangan permutasi dengan panjang gen 98 yang mewakili
14 pegawai dalam 7 hari. Kemudian data dip roses dan terbagi menjadi crossover dan
mutasi, di lanjutkan dengan Proses evaluasi yang diperoleh dari perhitungan nilai fitness
pada masing-masing kromosom. Hasil nilai fitness akan di seleksi sehingga hasil yang
terbaik akan lolos ke generasi selanjutnya. Berdasarkan hasil penelitian parameter yang
optimal yaitu nilai cr 0,1 nilai mr 0,9, generasi ke 50 dan populasi 50 dengan rata-rata
nilai fitness 0,093.
Berdasarkan hal tersebut, penulis bermaksud melakukan penelitian mengenai
penjadwalan keberangkatan kereta api Baturaja – Lampung. Kemudian pengaturan
jadwal keberangkatan dengan kereta api yang berbeda, hari dan jam keberangkatan yang
ditempuh untuk sampai pada tempat tujuan, tarif yang di tetapkan untuk suatu jarak
tempuh ditata seoptimal mungkin dengan menggunakan metode Algoritma Genetika
Particle Swarm Optimization.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas maka perumusan masalah yang akan dibahas
dalam penelitian ini yaitu bagaimana mengimplementasikan algoritma genetika dalam
mengatur perencanaan berbasis jadwalan guna memenuhi permintaan masyarakat yang
meningkat.

1.3 Batasan Masalah

1. Data yang di gunakan pada penelitian ini adalah data jam keberangkatan,
maskapai kereta yang beroperasi serta jumlah kereta yang layak di operasikan
pada PT. KAI wilayah Baturaja – Lampung
2. Metode yang di gunakan adalah algoritma genetika
3. Analisis yang di lakukan hanya mengenai penjadwalan kereta agar lebih optimal
tanpa memperhitungkan factor-faktor pendukung lainnya.
1.4 Tujuan Penelitian
Berdasarkan rumusan masalah, penelitian ini bertujuan untuk mengetahui
bagaimana algoritma genetika berperan dalam mengatur perencanaan berbasis jadwalan
guna memenuhi permintaan masyarakat yang meningkat.

1.5 Manfaat Penelitian

Penelitian ini di harapkan dapat memberikan jadwal keberangkatan kereta api yang
baru dan lebih optimal kepada PT. KAI wilayah Baturaja – Lampung agar dapat
mempersiapkan segala hal yang di perlukan khusus nya pada saat libur nasional dimana
permintaan masyarakat pun meningkat. Serta semoga penelitian ini dapat menjadi
referensi untuk penelitian selanjutnya.
 BAB II
LANDASAN TEORI
2.1 Penjadwalan

Penjadwalan adalah kegiatan pengalokasian sumber-sumber atau mesin-mesin

yang ada untuk menjalankan sekumpulan tugas dalam jangka waktu tertentu (Baker,
1974). Keputusan yang dibuat di dalam penjadwalan meliputi pengurutan pekerjaan
(sequencing), waktu mulai dan selesai pekerjaan (timing), dan urutan operasi untuk
urutan pekerjaan (routing). Persoalaan penjadwalan timbul apabila ada beberapa
pekerjaan diselesaikan secara bersamaan, sedangkan fasilitas yang dimiliki terbatas
seperti masalah pada penjadwalan kereta api ini.
Dari penjelasan definisi penjadwalan diatas dapat dikatakan bahwa penjadwalan
merupakan suatu kegiatan perancangan berupa pengalokasian sumber daya baik mesin
maupun tenaga kerja untuk menjalankan sekumpulan tugas sesuai prosesnya di dalam
jangka waktu tertentu.
2.1.1 Masalah Penjadwalan
Masalah penjadwalan muncul karena adanya keterbatasan waktu, tenaga kerja,
jumlah mesin, sifat dan syarat pekerjaan yang akan dilaksanakan. Secara umum ada dua
permasalahan utama yang akan diselesaikan melalui penjadwalan, yaitu penentuan
pengalokasian mesin yang akan digunakan untuk menyelesaikan suatu proses dan
pengurutan waktu pemakaian mesin tersebut.
2.1.2 Klasifikasi Penjadwalan Kereta Api
Beberapa model penjadwalan yang sering terjadi di dalam proses penjadwalan
kereta api adalah sebagai berikut :
1. Berdasarkan jumlah yang digunakan dalam proses :
a. Penjadwalan pada kereta api tunggal
Penjadwalan model ini adalah, dimana hanya terdiri dari satu kereta api dan
semua proses pemberangkatan harus diproses pada kereta api ini. Kereta api dapat
memproses satu pemberangkatan pada waktu kapanpun. Sekali pemberangkatan
diproses pada kereta api maka pemberangkatan itu telah selesai.
b. Penjadwalan pada kereta api multi
Dalam dunia industri sering kali jenis kereta api yang identik digabungkan
menjadi satu region, hal ini sering disebut sebagai kereta api paralel. Dalam tipe kereta
api paralel kita mengasumsikan bahwa pemberangkatan dapat dikerjakan pada beberapa
kereta api berbeda dalam satu region.
2. Berdasarkan kedatangan job :
a. Penjadwalan statis: penjadwalan statis adalah, dimana job yang datang
bersamaan dan siap dikerjakan pada kereta api yang tidak bekerja.
b. Penjadwalan dinamis: adalah penjadwalan dimana kedatangan job tidak
menentu.

2.2 Algoritma Genetika

Algoritma Genetika adalah algoritma yang memanfaatkan proses seleksi
alamiah yang dikenal dengan proses evolusi. Dalam proses evolusi, individu secara
terus-menerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan
hidupnya. Hanya individu-individu yang kuat yang mampu bertahan. Proses seleksi
alamiah ini melibatkan perubahan gen yang terjadi pada individu melalui proses
perkembangbiakan. Dalam algoritma genetika ini, proses perkembang-biakan ini
menjadi proses dasar yang menjadi perhatian utama, dengan dasar berpikir bagaimana
mendapatkan keturunan yang lebih baik. Algoritma genetika ini ditemukan oleh
John Holland dan dikembangkan oleh muridnya David Goldberg. Hal-Hal Yang Harus
Dilakukan Dalam Menggunakan Algoritma Genetika adalah:
a. Mendefinisikan individu, dimana individu menyatakan salah satu solusi
(penyelesaian) yang mungkin dari permasalahan yang diangkat.
b. Mendefinisikan nilai fitness, yang merupakan ukuran baik- tidaknya sebuah
individu atau baik-tidaknya solusi yang didapatkan.
c. Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan
dengan menggunakan pembangkitan acak seperti random-walk.
d. Menentukan proses seleksi yang akan digunakan. Menentukan proses
perkawinan silang (cross-over) dan mutasi gen yang akan digunakan.
Beberapa Definisi Penting Dalam Algoritma Genetika
1. Genotype (Gen), sebuah nilai yang menyatakan satuan dasar yang membentuk
suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam
algoritma genetika, gen ini bisa berupa nilai biner, float, integer maupun
karakter, atau kombinatorial.
 2. Allele, nilai dari gen.
3. Kromosom, gabungan gen-gen yang membentuk nilai tertentu.
4. Individu, menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi
yang mungkin dari permasalahan yang diangkat.
5. Populasi, merupakan sekumpulan individu yang akan diproses bersama dalam
satu siklus proses evolusi. Generasi, menyatakan satu-satuan siklus proses
evolusi.
6. Nilai Fitness, menyatakan seberapa baik nilai dari suatu individu atau solusi
yang didapatkan.

2.2.1 Struktur Umum Algoritma Genetika

Algoritma genetik memberikan suatu pilihan bagi penentuan nilai parameter
dengan meniru cara reproduksi genetik, pembentukan kromosom baru serta seleksi
alami seperti yang terjadi pada makhluk hidup.
Golberg mengemukakan bahwa algoritma genetik mempunyai karakteristik-
karakteristik yang perlu diketahui sehingga dapat terbedakan dari prosedur pencarian
atau optimasi yang lain, yaitu:
1. Algoritma genetik dengan pengkodean dari himpunan solusi permasalahan
berdasarkan parameter yang telah ditetapkan dan bukan parameter itu sendiri.
2. Algoritma genetik pencarian pada sebuah solusi dari sejumlah individu individu
yang merupakan solusi permasalahan bukan hanya dari sebuah individu.
3. Algoritma genetik informasi fungsi objektif (fitness), sebagai cara untuk
mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari suatu
fungsi.
4. Algoritma genetik menggunakan aturan-aturan transisi peluang, bukan aturan-
aturan deterministik.
Variabel dan parameter yang digunakan pada algoritma genetik adalah:
1. Fungsi fitness (fungsi tujuan) yang dimiliki oleh masing- masing individu untuk
menentukan tingkat kesesuaian individu tersebut dengan kriteria yang ingin
dicapai.
2. Populasi jumlah individu yang dilibatkan pada setiap generasi.
3. Probabilitas terjadinya persilangan (crossover) pada suatu generasi.
4. Probabilitas terjadinya mutasi pada setiap individu.
5. Jumlah generasi yang akan dibentuk yang menentukan lama penerapan algoritma
genetik.
Secara umum struktur dari suatu algoritma genetik dapat mendefenisikan dengan
langkah-langkah sebagai berikut:
1. Membangkitkan populasi awal, populasi awal ini dibangkitkan secara random
sehingga didapatkan solusi awal. Populasi itu sendiri terdiri atas sejumlah
kromosom yang merepresentasikan solusi yang diinginkan.
2. Membentuk generasi baru, untuk membentuk generasi baru, digunakan 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 melalui proses evaluasi dengan
menggunakan alat ukur yang dinamakan 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. Bila kriteria berhenti belum
terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi langkah 2.
Beberapa kriteria berhenti sering digunakan antara lain: berhenti pada generasi
tertentu, berhenti setelah dalam beberapa generasi berturut- turut didapatkan nilai
fitness tertinggi tidak.

2.2.2 Pemodelan Algoritma Genetika

Penjadwalan yang akan diimplementasikan memakai algoritma genetik dibatasi
sebagai berikut : tiap job diproses oleh sebuah mesin maksimal satu kali, tidak memiliki
tenggat waktu penyelesaian, waktu perpindahan antar mesin dan waktu set up dapat
diabaikan, dan penjadwalan bersifat non-preemptive. Ada empat hal dasar yang perlu
diperhatikan, yaitu pemilihan representasi masalah ke bentuk string, operator genetik,
fungsi fitness, dan parameter genetika.

2.2.3 Pemilihan Operator Genetika

 Operator genetika yang dipakai adalah operator reproduksi gabungan dari elitism
dan roulette wheel selection, operator Precedence Preservative Crossover (PPX)
(Bierwirth, 1999) dan operator mutasi remove and insert (Manderick, 1991). Metode
elitism membuat sejumlah string terbaik tiap generasi akan otomatis diturunkan ke
generasi berikutnya Koza, 2001). Metode roulette wheel untuk memilih string-string
yang akan dilakukan proses rekombinasi.

2.2.4 Parameter Genetika

Parameter Genetika berguna dalam pengendalian operator- operator genetik.
Parameter yang digunakan adalah : ukuran populasi, jumlah generasi, Probabilitas
Crossover (Pc), dan Probabilitas Mutasi (Pm). Tidak ada aturan pasti tentang berapa
nilai setiap parameter ini (Koza, 2001). Ukuran populasi kecil berarti hanya tersedia
sedikit pilihan untuk Crossover dan sebagian kecil dari domain solusi saja yang
dieksplorasi untuk setiap generasinya.
Sedangkan bila terlalu besar, kinerja algoritma genetic menurun. Penelitian
menunjukkan ukuran populasi besar tidak mempercepat proses pencarian solusi.
Disarankan ukuran populasi berkisar antara 20-30, probabilitas Crossover berkisar
80%-95%, dan probabilitas mutasi kecil berkisar 0.5%-1%. Jumlah generasi besar
berarti semakin banyak iterasi yang dilakukan, dan semakin besar domain solusi
yang akan dieksplorasi.
2.3 Dasar Teori Particle Swarm Optimization (PSO)
Particle Swarm Optimization (PSO) diperkenalkan oleh Dr. Eberhart dan Dr.
Kennedy pada tahun 1995, merupakan algoritma optimasi yang meniru proses yang
terjadi dalam kehidupan populasi burung (flock of bird) dan ikan (school of fish) dalam
bertahan hidup. Sejak diperkenalkan pertama kali, algoritma PSO berkembang cukup
pesat, baik dari sisi aplikasi maupun dari sisi pengembangan metode yang digunakan
pada algoritma tersebut. Oleh sebab hal tersebut, mereka mengategorikan algoritma
sebagai bagian dari kehidupan rekayasa/buatan Artificial Life. Algoritma ini juga
terhubung dengan komputasi evolusioner, algoritma genetik dan pemrograman
evolusionari.
Dalam Particle Swarm Optimization (PSO), kawanan diasumsikan mempunyai
ukuran tertentu dengan setiap partikel posisi awalnya terletak disuatu lokasi yang acak
dalam ruang multidimensi. Setiap partikel diasumsikan memiliki dua karakteristik yaitu
posisi dan kecepatan. Setiap partikel bergerak dalam ruang atau space tertentu dan
mengingat posisi terbaik yang pernah dilalui atau ditemukan terhadap sumber makanan
atau nilai fungsi objektif. Setiap partikel menyampaikan informasi atau posisi
terbaiknya kepada partikel yang lain dan menyesuaikan posisi dan kecepatan masing
masing berdasarkan informasi yang diterima mengenai posisi yang bagus tersebut.
Particle Swarm Optimization (PSO) adalah salah satu dari teknik komputasi
evolusioner, yang mana populasi pada PSO didasarkan pada penelusuran algoritma dan
diawali dengan suatu populasi yang random yang disebut dengan particle. Berbeda
dengan teknik komputasi evolusioner lainnya, setiap particle di dalam PSO juga
berhubungan dengan suatu velocity.
Partikel-partikel tersebut bergerak melalui penelusuran ruang dengan velocity
yang dinamis yang disesuaikan menurut perilaku historisnya. Oleh karena itu, partikel-
partikel mempunyai kecenderungan untuk bergerak ke area penelusuran yang lebih baik
setelah melewati proses penelusuran. Particle Swarm Optimization (PSO) mempunyai
kesamaan dengan genetic algorithm yang mana dimulai dengan suatu populasi yang
random dalam bentuk matriks. Namun PSO tidak memiliki operator evolusi yaitu
crossover dan mutasi seperti yang ada pada genetic algorithm. Baris pada matriks
disebut particle atau dalam genetic algorithm sebagai kromosom yang terdiri dari nilai
suatu variable. Setiap particle berpindah dari posisinya semula ke posisi yang lebih baik
dengan suatu velocity.
Pada algoritma PSO (Particle Swarm Optimization) setiap individu atau partikel
berperilaku merata dalam menggunakan kecerdasannya sendiri dan mempengaruhi
kelompok kolektifnya. Jika ada individu yang menemukan jalan terbaik dan jalan
terpendek dalam mencari makanan maka kelompok lain dalam suatu kelompok dapat
mengikuti jalan tersebut juga. Pada hal ini setiap partikel atau setiap burung yang
memiliki posisi terbaik yang disebut dengan local best dan posisi partikel terbaik dari
semua populasi disebut global best. Hal ini mencari lintasan terbaik dalam ruang
pencarian. Pada tiap iterasi yang dilakukan akan direpresentasikan pada posisi partikel
terbaik lalu dievaluasi ke dalam fungsi objektif atau fitness function
 BAB III
METODOLOGI PENELITIAN

Metodologi penelitian adalah cara yang digunakan dalam memperoleh berbagai

data untuk diproses menjadi informasi yang lebih akurat sesuai permasalahan yang akan
diteliti. Metodologi penelitian dengan mendeskripsikan masalah yang dilengkapi
dengan penyajian diagram alur pelaksanaan penelitian untuk memudahkan pemahaman
tahapan penelitian.
Metodologi yang digunakan dalam penelitian tugas akhir yang berjudul ”
MANAJEMEN PERMINTAAN DAN PERENCANAAN BERBASIS JADWAL
UNTUK SIMULASI KERETA API BATURAJA – LAMPUNG DENGAN METODE
ALGORITMA GENETIKA PARTICLE SWARM OPTMIZATION” dapat di lihat
pada Gambar 3.1. berikut ini.

Mulai

Pengumpulan data

Analisa sistem

Peracangan sistem

Implementasi

Pengujian

Kesimpulan dan saran

Selesai

Gambar 3.1. Flowchart metodologi penelitian

3.1 Analisa Sistem
Tahap ini merupakan tahap analisa terhadap data-data yang telah dikumpulkan.
Analisa sistem berguna untuk mengetahui alur proses kerja dari kerja manual agar
aplikasi yang dihasilkan nantinya dapat dibuat secara maksimal. Pada tahap ini
dilakukan analisa terhadap Particle Swarm Optimization (PSO), mulai dari
pembangkitan posisi serta kecepatan partikel, evaluasi nilai fitness untuk mengukur
tingkat kebaikan atau kesesuaian (fitness) suatu solusi dengan solusi yang dicari, update
velocity (update kecepatan), dan update position (update posisi). Setelah dilakukan
tahap analisa PSO, dilanjutkan pada tahap analisa sistem meliputi pembuatan Data
Flow Diagram (DFD), Entity Relationship Diagram (ERD), dan Flowchart.

3.2 Perancangan Sistem

Pada tahap ini dilakukan perancangan terhadap sistem yang akan dibangun.
Perancangan sistem meliputi perancangan database, perancangan struktur menu dan
perancangan interface.

3.3 Implementasi
Tahap implementasi merupakan tahap penerjemahan hasil analisa ke dalam
bentuk coding sesuai dengan hasil perancangan sistem yang dibuat. Bahasa
pemrograman yang akan digunakan untuk membangun aplikasi penjadwalan mata
kuliah menggunakan PSO adalah PHP dengan database MySQL.

3.7 Pengujian
Pengujian merupakan tahapan di mana aplikasi akan dijalankan. Tahap pengujian
diperlukan untuk menjadi ukuran bahwa sistem dapat dijalankan sesuai dengan tujuan.
Metode pengujian yang digunakan yaitu black box, pengujian performansi, dan User
Acceptance Test.

3.8 Kesimpulan dan Saran

Dalam tahap ini dapat ditentukan kesimpulan terhadap hasil pengujian yang telah
dilakukan untuk mengetahui apakah implementasi sistem yang telah dilakukan dapat
beroperasi dengan baik dan sesuai dengan tujuan yang diinginkan serta memberikan
saran-saran untuk menyempurnakan dan mengembangkan penelitian selanjutnya.
Referensi
[1] D. A. Sapriyanti, K. Novianingsih, and H. S. Husain, “MODEL OPTIMASI
PENJADWALAN KERETA API ( Studi Kasus pada Jadwal Kereta Api di PT
Kereta Api Indonesia ( Persero ) Daop 2 Bandung Lintasan Bandung-
Cicalengka ) Oleh :,” no. 1, pp. 1–10, 2013.
[2] Y. N. Ula, D. E. Ratnawati, and S. A. Wicaksono, “Penjadwalan Dinas Pegawai
Menggunakan Algoritma Genetika pada PT . Kereta Api Indonesia ( KAI )
DAOP 7 Stasiun Besar Kediri,” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2,
no. 8, pp. 2473–2479, 2018.