Penerapan Algoritma Genetika Untuk Penjadwalan Mata Kuliah

1. Pendahuluan
Selama ini penjadwalan mata pelajaran di khususnya dalam penelitian merupakan studi kasus
di perguruan tinggi meliputi pembagian mata pelajaran, kelas dan masih menggunakan cara
manual sehingga memiliki beberapa guru yang bersaing antar jam mengajar untuk membagi
guru di sesuai kelas mata pelajaran yang ditempatinya. Pada waktu-waktu tertentu , terdapat
peraturan yang cukup rumit dan menyita waktu untuk menyelesaikan jadwal tersebut. Dalam
penyusun jadwal mata pelajaran ini pun terdapat banyak kemungkinanan yang selayaknya
dicoba untuk menemukan penjadwalan terbaik. Berdasarkan uraian di atas, penulis
mengambil penelitian dengan judul “Penerapan metode algoritma genetika untuk
perencanaan mata pelajaran” tujuan utama lebih berkembang dalam sistem komputerisasi
dapat menggantikan manual metode penjadwalan kelas dapat menghasilkan jadwal yang
lebih akurat dengan aturan dalam waktu yang lebih singkat.
2. metode pengumpulan data
Metode yang digunakan untuk mengumpulkan informasi yang dibutuhkan, Studi ini
didasarkan pada studi literatur berdasarkan sumber literaturdalam menganalisis masalah yang
disusun dalam penelitian ini.
Alur analisis
Penelitian ini dimulai dengan pengumpulan data dan akan terus berlanjut Implementasi
metode yang digunakan. Gambar 1 menunjukkan langkah-langkah implementasi Kegiatan.
Berikut adalah flowchart dari penelitian yang dilakukan:

Metode yang digunakan penulis untuk membuat penelitian ini adalah sebagai berikut:
1. Pengumpulan data
Teknik pengumpulan data berikut digunakan dalam artikel ini:
kritik sastra
A. literatur review
Metode pengumpulan informasi dengan memeriksa informasi atauInformasi dari sumber
seperti buku, esai, jurnal ilmiah, esai, dllsumber lain yang berkaitan dengan obyek
penelitian.
B. Wawancara
Metode pengumpulan data melalui survey atau tanya jawab langsung dengan mata air dan
lingkaran terdekat judul yang diadopsi oleh penulis.
2.Analisis sistem analitik, yaitu. H. Analisis masalah untuk mengetahui danTentukan batasan
sistem untuk menentukan jalur yang efisien Sebuah sistem dapat dirancang untuk
memecahkan masalah ini informasi
3. Desain sistem
Pada tahap perancangan sistem, penulis merancang sistem
 untuk hal-hal yang diselidiki selama pengumpulan data, langkah-langkahnya adalah sebagai
berikut:
A. Desain Data Flow Diagram (DFD).
B. Buat diagram hubungan entitas (ERD).
C. Pembuatan Desain Antarmuka Pengguna
4. Implementasi: Fase implementasi mengikuti desain sistem.
5. Pengambilan keputusan adalah tahap akhir dimana suatu keputusan dibuat Kesimpulan dari
hasil penelitian berhasil diimplementasikan oleh sistem
Model algoritma genetic

Buat populasi awal Proses ini digunakan untuk membuat populasi awal secara acak sehingga
diperoleh solusi aslinya. penilaian kesesuaian Proses ini adalah proses dimana setiap populasi
diperoleh Hitung nilai fitness dari setiap kromosom dan beri skor hingga penuh kriteria
berhenti.Pilihan Penyortiran Proses dimulai dengan penyortiran atau penataan kromosom
dalam populasi, berdasarkan fitnessnya, kemudian memberikan skor fitness baru dalam
urutan. Operator crossover memainkan peran paling penting dalam algoritma genetika karena
ada proses perkawinan (Silang)gen antara dua individu (induk) yang menghasilkan dua
individu baru (keturunan) pada generasi berikutnya.mutasi Mutasi adalah proses yang
mengubah nilai satu atau lebih gen dalam suatu organisme Kromosom.

3. Hasil dan Pembahasan

Model genetic
Kode nilai digunakan pada pengkodean. Sebelum membuat model kromosom, variabelnya
disederhanakan sebagai bagian penjadwalan mata pelajaran. 3/10/2016: 220-233, dapat
diubah sehingga kelas diampu oleh guru yang berbeda dengan alokasi waktu berbeda. Yang
tersisa adalah ruang dan jam. Model genetik untuk penjadwalan terdiri dari ruang dan jam,
namun iterasinya kompleks dan memakan waktu lama. Ini disebabkan karena algoritma
genetik bekerja secara acak, menghasilkan nilai acak. Dalam proses ini, nilai diperlukan untuk
menghasilkan kombinasi yang tepat antara variabel guru, ruang, dan jam untuk menghindari
konflik. Mata pelajaran diatur urutannya dalam kromosom sesuai alokasi jam dan ruang yang
dibutuhkan serta guru yang mengajar, untuk memudahkan pengecekan aturan terkait guru.
Kromosom panjangnya 2N karena setiap ruang dialokasikan mata pelajaran dan guru.
Ilustrasinya:
Inisiasi kromosom
Inisialisasi kromosom membantu menentukan kromosom asli terbentuk. Panjang kromosom
ditentukan ada, dalam hal ini panjang kromosom sama dengan banyaknya spasi (9) dikalikan
dengan bilangan tersebut Jam demikian diperoleh dalam belajar mengajar per minggu (46).
Panjang kromosom adalah 414 gen. Sementara setiap gen memiliki 2 Parameter nilai adalah
ID mapel dan ID guru. Dimana parameter ini berguna Periksa kehalusan kromosom

Fungsi fitness
Dalam penjadwalan, setiap aturan diberi nilai pinalti sesuai dengan kepentingannya. Algoritma
genetik dioptimalkan dengan fungsi fitness, yang dihitung berdasarkan pelanggaran aturan.
Semakin sedikit aturan yang dilanggar, semakin tinggi nilai fitness. Jadwal sempurna nilai
fitness 1 karena nilai total pinalti aturan tidak dilanggar (Tabel 3). Aturan adalah tidak boleh
ada bentrok jam mengajar guru, seorang guru tidak boleh mengajar lebih dari satu mata
pelajaran pada saat yang bersamaan, semua mata pelajaran yang di empu oleh seorang guru
yang sama harus dijadwal pada jam yang berbeda-beda. Cek dengan membandingkan bagian
gen dengan id guru yang sama.
SELEKSI
Proses pilih induk menggunakan metode seleksi Roulette Wheel pada penjadwalan pelajaran.
Dalam seleksi, semakin besar nilai fitnes atau semakin kecil jumlah bentrok guru pada
kromosom akan meningkatkan kemungkinan terpilih sebagai induk. Langkah awalnya adalah
mencari nilai fitnes. Nilai fitness akan digunakan pada seleksi dan setiap kromosom memiliki
probabilitas tergantung nilai obyektifnya terhadap kromosom lain di wadah seleksi. Proses
kawin silang (crossover) dilakukan setelah seleksi terpilih induk kromosom. Kawin silang untuk
menghasilkan keturunan lebih baik dari sebelumnya. Metode J Appl Intell Syst, Vol. 227. Teks
singkat: Metode kawin silang satu titik digunakan pada penjadwalan No. 3, Oktober 2016.
Proses kawin silang menukar nilai gen pada posisi yang sama dan mengecek apakah kromosom
baru sesuai aturan.
Mutasi
Mutasi penting dalam algoritma genetik untuk mencegah konvergensi prematur. Ada dua cara
mutasi: random (insertion) dan penukaran (swap). Mutasi insertion dilakukan dengan memilih
2 gen dan mengacak nilai baru, sedangkan penukaran dilakukan dengan langsung menukar
nilai gen. Proses mutasi random dalam penjadwalan.
Pada perancangan sistem,
dijelaskan alur sistem yang digunakan dalam implementasi metode Algoritma Genetika untuk
menjadwalkan matapelajaran.
DFD adalah gambaran arus data dalam sistem yang menunjukkan komponen, aliran data
antara komponen, asal dan tujuan data, serta penyimpanan data. Data Flow Diagram terdiri
dari beberapa level: Konteks, 0, 1, dan seterusnya. Ini menjelaskan bagaimana fungsi-fungsi di
dalam sistem informasi akan bekerja.
Diagram Konteks adalah gambaran umum sistem yang diperoleh dari analisis dan
pengumpulan data oleh penulis yang mengkhususkan ruang tersebut. Diagram Konteks ini
menjelaskan proses keseluruhan dari Sistem.
ERD digunakan untuk merancang basis data pada sistem yang melibatkan basis data. ER
diagram menunjukkan hubungan antar Entity dalam relasi One to Many. Setelah Desain Basis
data, tahapan selanjutnya adalah desain input/output, yaitu pembuatan form-form pada
program. Form utama menampilkan menu-fitur pendukung jadwal pelajaran.

Formulir tugas guru ini digunakan untuk informasi pribadi, pengajaran, jurusan dan guru. Saat
formulir ini ditujukan untuk pendaftaran guru kelas dan mata pelajaran yang dikuasainya, di
mana tingkat guru ditentukan, departemen dan kursus yang telah dia selesaikan sebelum
prosedur koordinasi waktu.

Form GA dirancang untuk menentukan parameter penjadwalan mata pelajaran. Setelah

parameter ditetapkan, tekan tombol proses untuk memulai penjadwalan. Kromosom terbaik
dilihat dari fitness/pinalti pada setiap generasi. Nilai parameter algoritma genetik yang
direkomendasikan: Up = 80, Pc = 0,40, Pm = 0,001. Up adalah ukuran populasi, Pc adalah
peluang kawin silang, dan Pm adalah peluang mutasi [5]. Jmlh kromosom (Up) = 80 Crossover
(Pc) = 0,40 & mutasi (Pm) = 0,001 pada 80 kromosom/generasi. Probabilitas kawin silang 0,40,
artinya ada 32 dari 80 kromosom mengalami kawin silang. Probabilitas mutasi 0,001, akan ada
16 gen bermutasi dari setengah populasi.
Pada form ini untuk menampilkan hasil akhir dari proses penjadwalan yang berupa jdwal mata
pelajaran yang ada. Untuk menampilkan hasil akhir dari proses penjadwalan tersebut dengan
klik button tulis maka hasilnya akan tampil pada form hasil.

KESIMPULAN
Dari penelitian, dapat disimpulkan bahwa penerapan Metode Algortima Genetika dapat
menghasilkan jadwal matapelajaran yang akurat dalam waktu singkat. Perancangan Sistem
mencakup DFD, ERD, dan desain UI sistem. Fungsi sistem mencakup login, maintenance data,
dan penjadwalan matapelajaran dengan Algoritma Genetika.

Daftar Pustaka
1. Suwirmayanti Ni Luh gede pivin suwirmayanti, I made Sudarsana, suta Darmayasa. 2016.
Penerapan Algoritma Genetika untuk penjadwalan mata pelajaran. Program studi system
computer. STMIK STIKOM Bali
2. Anggara, Rahmn. 2012. Sistem Penjadwalan Kuliah Menggunakan Algoritma Genetik:
Studi Kasus Program Studi Pendidikan Sekolah Dasar Universitas Pendidikan Indonesia
Kampus Bumi Siliwangi. Bandung: Universitas Pendidikan Indonesia