BAB 2 : LANDASAN TEORI
2.13 Penelitian Terdahulu
Penelitian Aulia Fitrah, Achmad Zaky, Fitrasani, 2012 yang berjudul Penerapan algoritma genetika pada persoalan pedagang keliling (TSP). Pada penelitian ini dilakukan penyelesaian TSP menggunakan algoritma genetika. Solusi yang dihasilkan oleh algoritma ini belum merupakan solusi paling optimal namun algoritma genetika ini menghasilkan solusi yang lebih optimal pada setiap generasinya.
Penelitian Marwana, 2012 yang berjudul Optimasi Penjadwalan Mata Kuliah Menggunakan Algoritma Genetika Berbasis Permintaan Mahasiswa. Pada penelitian ini dilakukan penyusunan jadwal mata kuliah menggunakan algoritma genetika. Proses penelitian menggunakan data input berupa mahasiswa dengan jumlah mata kuliah (teori/praktek) yang diambil, kode dan nama mata kuliah yang diambil serta hari dan sesi jadwal yang bisa, kemudian diolah menggunakan algoritma genetika sehingga diperoleh optimasi penjadwalan yaitu kondisi di mana terjadi kombinasi terbaik antara mata kuliah dan waktu luang mahasiswa, serta ketersediaan ruangan
solusi penjadwalan pada waktu yang dapat digunakan baik oleh mahasiswa dan ruangan yang terlibat dalam suatu mata kuliah.
Penelitian Samuel dan kawan-kawan, 2005 yang berjudul Penerapan algoritma genetika untuk Traveling Salesman Problem dengan menggunakan metode order crossover dan Insertion Mutation. Pada penelitian ini membahas bagaimana algoritma genetik menyelesaikan TSP dengan menggunakan order crossover sebagai teknik rekombinasi dan insertion mutation sebagai teknik mutasi yang digunakan pada algoritma genetik menunjukkan bahwa algoritma genetika dapat digunakan untuk menyelesaikan masalah optimasi yang kompleks seperti mencari rute paling optimum, menggunakan beberapa metode seleksi yaitu roulette wheel, elitism dan gabungan antara metode roulette wheel dan elitism. Ada dua jenis crossover yang digunakan yaitu one cut point crossover dan two cut point crossover; (Tamilarsi & Kumar 2010) menemukan sebuah metode baru dalam penyelesaian masalah penjadwalan job shop menggunakan hybrid Genetic Algorithm (GA) dengan Simulated Annealing (SA); (Nasution, 2012) analisis penyelesaian TSP menggunakan partially mapped crossover dengan menentukan nilai probabilitas crossover 20%, 40%, 60%, 80% dan 99%. (Kusum Deep & Hadush Mebrahtu, 2012) membuat variasi pada partially mapped crossover dengan menentukan letak kromosom dalam posisi acak. (Alfonsas &, Bronislovas, 2005). membandingkan 10 operator crossover pada Quadratic Assignment Problem di mana hasil yang diperoleh menunjukkan bahwa crossover MPX mampu mendapakan solusi yang lebih baik dibandingkan operator lain yang telah diuji. (Kusum Deep & Hadush Mebrahtu, 2011) menggabungkan 2 operator mutasi untuk meningkatkan kerja algoritma genetika untuk meminimumkan cost pada travelling salesman problem (TSP).
Penelitian Made Darma Yunantara, I Gede Santi Astawa, Ngr. Agus Sanjaya E.R, 2010 yang berjudul Analisis Dan Implementasi Penjadwalan Dengan Menggunakan Pengembangan Model Crossover Dalam Algoritma Genetika. Pada penelitian ini terdapat 2 metode yang dikembangkan, pertama dengan memotong gen hanya pada gen yang mengalami bentrok, dan yang kedua merandom gen yang akan dipotong. Gen dipotong secara utuh tidak memotong ditengah gen, sehingga tidak merusak gen. Hasil analisis terhadap hasil uji coba menunjukan bahwa pengembangan metode crossover dapat diimplementasikan pada kasus penjadwalan dan terlihat bahwa metode yang memotong gen hanya pada gen yang bentrok lebih cepat
mencapai nilai terbaik atau mendekati 1 daripada metode yang hanya merandom gen saja. Dari nilai akhir juga terlihat bahwa metode yang memotong gen pada gen yang bentrok memiliki nilai akhir lebih baik. Selain itu kedua metode ini mampu meminimalisir kerusakan pada kromosom hasil dari crossover.
Penelitian Bangun et al, 2012 yang berjudul Penerapan Konsep Algoritma Genetika untuk Penjadwalan Kegiatan Perkuliahan Semester Ganjil Kurikulum 2012 di Jurusan Matematika FMIPA UNSRI. Pada penelitian ini, konsep algoritma genetika diaplikasikan pada proses penjadwalan kegiatan perkuliahan semester ganjil kurikulum 2012 di Jurusan Matematika FMIPA UNSRI. Hasil proses diperoleh penjadwalan yang memenuhi kondisi dan syarat yang telah ditentukan. Jadwal yang telah dihasilkan merupakan jadwal yang diperoleh dari kromosom 5 generasi ke-19.
Penelitian Ridha Apriani, 2012 yang berjudul Algoritma genetika untuk menyelesaikan permasalahan penjadwalan perkuliahan dan praktikum. Pada penelitian ini
pencarian solusi penjadwalan perkuliahan dan praktikum dengan waktu yang lebih cepat. Hasil pengujian dengan input nilai parameter yang sama atau berbeda, proses penjadwalan menghasilkan hasil generasi dan iterasi yang berbeda – beda.
Penelitian Justina Adamanti, 2002 yang berjudul Penyelesaian masalah penjadwalan mata kuliah di Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Gadjah Mada dengan menggunakan algoritma genetika. Pada penelitian ini diperoleh hasil uji parameter, metode seleksi terbaik adalah seleksi turnamen, metode perkawinan silang terbaik adalah perkawinan silang banyak titik, tanpa elitsm umumnya lebih cepat menyelesaikan penjadwalan dan jumlah populasi yang lebih baik untuk model kromosom masalah penjadwalan mata kuliah yang memiliki sekitar 300 gen adalah sekitar 100 individu, tetapi tidak lebih cepat dalam waktu dibandingkan dengan jumlah populasi yang lebih sedikit.
Pada penelitian Karegowda, A. G., Manjunath, A.S. & Jayaram, M.A., 2011 yang berjudul Application of genetic algorithm Optimized neural network Connection weights for medical Diagnosis of pima Indians diabetes. Pada penelitian ini dilakukan hibridisasi algoritma genetika dengan jaringan syaraf tiruan (JST). Jaringan saraf adalah salah satu dari banyak data mining alat analisis yang dapat digunakan untuk membuat prediksi data medis. Pemilihan model untuk jaringan saraf memerlukan berbagai faktor seperti pemilihan optimal jumlah node tersembunyi, pemilihan
variabel input yang relevan dan pemilihan koneksi optimal bobot. Makalah ini menyajikan penerapan model hibrida yang mengintegrasikan Algoritma Genetika dan Backpropagation (BP) di mana GA digunakan untuk menginisialisasi dan mengoptimalkan bobot koneksi pada BP. Fitur signifikan diidentifikasi dengan menggunakan dua metode Pohon Keputusan. Metode GA CFS digunakan sebagai masukan untuk model hibrida untuk diagnosa diabetes mellitus. Hasilnya membuktikan bahwa, GA dioptimalkan dengan algoritma BP dapat mengungguli pendekatan BP tanpa GAi. Selain hybrid GA-BPN dengan input yang relevan menyebabkan lebih improvisasi akurasi kategorisasi dibandingkan dengan hasil yang dihasilkan oleh GA-BPN sendiri dengan beberapa masukan yang berlebihan.
Pada penelitian Indira K & Kanmani, 2012 yang berjudul Performance Analysis of Genetic Algorithm for Mining Association Rules. Pada penelitian ini aturan asosiasi (AR) mining adalah tugas data mining yang mencoba untuk menemukan pola-pola yang menarik atau hubungan antar data dalam database besar. Algoritma genetika (GA) berdasarkan prinsip evolusi telah menemukan dasar yang kuat dalam AR datamining. Makalah ini menganalisis kinerja GA di mining AR secara efektif berdasarkan variasi dan modifikasi dalam parameter GA. Algoritma genetik telah terbukti menghasilkan hasil yang lebih akurat bila dibandingkan dengan metode formal lain yang tersedia. Kebugaran fungsi, tingkat Crossover, dan tingkat mutasi parameter terbukti menjadi parameter utama yang terlibat dalam pelaksanaan algoritma genetika. Variasi dan modifikasi diperkenalkan di parameter utama GA yang ditemukan memiliki dampak yang lebih besar meningkatkan akurasi dari sistem cukup. kecepatan dari sistem ini ditemukan untuk meningkatkan seleksi dan mengapdate fungsi yang diubah.
Tabel 2.8 Penelitian Terdahulu
No. Nama dan Tahun Metode Keterangan
1 Aulia Fitrah, Achmad Zaky, Fitrasani, 2012
Algoritma Genetika
Penyelesaian TSP menggunakan algoritma genetika. Solusi yang
dihasilkan oleh algoritma ini belum merupakan solusi paling optimal namun algoritma genetika ini menghasilkan solusi yang lebih optimal pada setiap generasinya
2 Marwana, 2012 Algoritma Genetika
Proses penelitian menggunakan data input berupa mahasiswa dengan jumlah mata kuliah (teori/praktek) yang diambil, kode dan nama mata kuliah yang diambil serta hari dan sesi jadwal yang bisa, kemudian diolah menggunakan algoritma genetika
3 Samuel dan kawan-kawan, 2005
Algoritma Genetika
penyelesaian masalah penjadwalan job shop
menggunakan hybrid Genetic Algorithm (GA) dengan Simulated Annealing (SA) 4 Made Darma Yunantara, I
Gede Santi Astawa, Ngr. Agus Sanjaya E.R, 2010
Algoritma Genetika
Menggunakan 2 metode yang dikembangkan, pertama dengan memotong gen hanya pada gen yang mengalami bentrok, dan yang kedua merandom gen yang akan dipotong. Gen dipotong secara utuh tidak memotong ditengah gen, sehingga tidak merusak gen
5 Bangun et al, 2012 Algoritma Genetika
Konsep algoritma genetika diaplikasikan pada proses penjadwalan kegiatan perkuliahan semester ganjil kurikulum 2012 di Jurusan Matematika FMIPA UNSRI. Hasil proses diperoleh penjadwalan yang memenuhi kondisi dan syarat yang telah ditentukan
Tabel 2.9 Penelitian Terdahulu (Lanjutan)
No. Nama dan Tahun Metode Keterangan
6 Ridha Apriani, 2012 Algoritma Genetika
Algoritma Genetika digunakan untuk pencarian solusi
penjadwalan perkuliahan dan praktikum dengan waktu yang lebih cepat
7 Justina Adamanti, 2002 Algoritma Genetika
Pada penelitian ini diperoleh hasil uji parameter, metode seleksi terbaik adalah seleksi turnamen, metode perkawinan silang terbaik adalah
perkawinan silang banyak titik, tanpa elitsm umumnya lebih cepat menyelesaikan
penjadwalan dan jumlah populasi yang lebih baik dalam menyelesaikan permasalahan penjadwalan mata kuliah. 8 Karegowda, A. G.,
Manjunath, A.S. & Jayaram, M.A., 2011
Algoritma Genetika
penerapan model hibrida yang mengintegrasikan Algoritma Genetika dan Backpropagation (BP) di mana GA digunakan untuk menginisialisasi dan mengoptimalkan bobot koneksi pada BP
9 Indira K & Kanmani, 2012
Algoritma Genetika
Algoritma Genetika digunakan dalam data mining untuk menemukan pola-pola yang menarik atau hubungan antar data dalam database besar
BAB 1 PENDAHULUAN
1.1 Latar Belakang Masalah
Dewasa ini kemajuan teknologi semakin cepat dan canggih di mana jika dilihat dari perkembangan komputer yang sangat pesat. Komputer dahulunya digunakan sebagai alat hitung saja. Namun sekarang komputer digunakan sebagai alat bantu untuk manajemen serta kontrol. Pada media elektronik radio komersial, untuk pengoperasian stasiun radio membutuhkan biaya yang besar dan manajemen yang baik. Agar dapat berjalan dengan optimum, stasiun radio harus memaksimalkan kualitas siaran untuk mendapatkan penerimaan berupa jasa pemasangan iklan oleh perusahaan produk atau perorangan.
Penayangan iklan pada media elektronik memerlukan manajemen yang baik yang mencakup pemesanan siar (broadcast), jam siar serta biaya siar sesuai dengan durasi dan frekuensi iklan. Manajemen yang kurang baik akan berakibat kerugian pada perusahaan radio karena kurangnya minat pemirsa dalam penayangan iklan. Pada Radio Suara Medan, pembuatan jadwal iklan sering terkendala dalam hal lamanya penyajian jadwal iklan mingguan sehingga berkurang pemasukan dari jasa penayangan iklan.
Pada penelitian ini algoritma penjadwalan iklan yang digunakan adalah algoritma Genetik. Algoritma genetika merupakan pendekatan komputasional untuk menyelesaikan masalah yang dimodelkan dengan proses biologi dari evolusi, meliputi seleksi, crossover, dan mutasi. Dengan demikian algoritma ini baik digunakan untuk mengatur penjadwalan suatu aktifitas yang berulang termasuk penjadwalan iklan radio kemersial.
Pada penelitian Fitria Larantika, 2015 yang berjudul Sistem penjadwalan otomatis menggunakan algoritma genetika di fakultas sains dan teknologi. Dengan algoritma genetika penyusunan jadwal mata kuliah yang dapat menghasilkan jadwal dengan menjamin seorang dosen tidak mengajar dalam sehari penuh dan mata kuliah paket semester tidak dijadwalkan berurutan dalam satu hari.
algoritma genetika dapat mencari solusi penjadwalan perkuliahan dan praktikum dengan waktu yang lebih cepat. Hasil pengujian dengan input nilai parameter yang sama atau berbeda, proses penjadwalan menghasilkan hasil generasi dan iterasi yang berbeda – beda.
Pada penelitian Justina Adamanti, 2002 yang berjudul Penyelesaian masalah penjadwalan mata kuliah di fakultas matematika dan ilmu pengetahuan alam Universitas Gadjah Mada dengan menggunakan algoritma genetika. Dengan menggunakan algoritma genetika program dapat menghasilkan suatu jadwal kuliah. Berdasarkan hasil uji parameter, metode seleksi terbaik adalah seleksi turnamen, metode perkawinan silang terbaik adalah perkawinan silang banyak titik, tanpa elitsm umumnya lebih cepat menyelesaikan penjadwalan dan jumlah populasi yang lebih baik untuk model kromosom masalah penjadwalan mata kuliah yang memiliki sekitar 300 gen adalah sekitar 100 individu, tetapi tidak lebih cepat dalam waktu dibandingkan dengan jumlah populasi yang lebih sedikit.
Berdasarkan latar belakang masalah di atas, maka pada penelitian ini dibangun sebuah sistem Penjadwalan Iklan Pada Stasiun Radio Komersial Menggunakan Algoritma Genetika.
1.2 Rumusan Masalah
Lamanya waktu dalam penyusunan jadwal iklan yang baik pada stasiun radio komersial dikarenakan masih secara manual sehingga dapat menyebabkan kerugian waktu dan biaya, maka dapat dirumuskan masalah yaitu mengoptimalkan penjadwalan iklan pada stasiun radio komersial.
1.3 Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah:
1. Studi kasus yang diambil berada pada Radio Suara Medan.
2. Penjadwalan untuk jadwal satu hari yaitu dari jam 5 pagi sampai jam 24 malam. 3. Pemutaran iklan dilakukan setiap 15 menit di mana disediakan 3 slot pemutaran
iklan dengan durasi per iklan maksimum 1 menit.
4. Jenis waktu pemutaran terdiri dari Prime time yaitu jam-jam antara jam 6:00-10:00
5. Jumlah iklan pada prime time yaitu hanya 5 kali per iklan untuk reguler time 8 kali.
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah untuk menentukan jadwal iklan pada stasiun radio komersial yang optimal dengan menggunakan algoritma genetika.
1.5 Manfaat Penelitian Manfaat penelitian ini adalah:
1. Diperolehnya sebuah perangkat lunak yang dapat menampilkan secara otomatis jadwal iklan yang optimal pada radio komersial.
2. Pembuktian bahwa algoritma Genetika dapat digunakan untuk mengoptimasi penjadwalan Iklan pada Stasiun Radio Komersial.
1.6 Metodologi Penelitian
Metodologi penelitian yang digunakan pada penelitian ini adalah : a. Studi Literatur
Pada tahap ini dilakukan pengumpulan bahan referensi yang berkaitan dengan algoritma Genetika dari buku, artikel, paper, jurnal, makalah dan sumber lainnya. b. Analisis
Pada tahap ini dilakukan analisis terhadap hasil studi literatur untuk mendapatkan pemahaman mengenai Genetika pada optimasi penjadwalan iklan pada radio Suara Medan.
c. Perancangan
Pada tahap ini dilakukan perancangan perangkat lunak yang dibangun, seperti perancangan proses dan antarmuka.
d. Implementasi
Pada tahap ini dilakukan pengkodean perangkat lunak sesuai dengan spesifikasi yang ditentukan.
e. Pengujian
Pada tahap ini dilakukan pengujian terhadap perangkat lunak yang dibangun, dan apakah sudah sesuai dengan harapan penulis.
f. Penyusunan Laporan
Pada tahap ini dilakukan penulisan dokumentasi hasil analisis algoritma genetika pada optimasi penjadwalan iklan pada radio Suara Medan.
1.7. Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut: BAB 1 : PENDAHULUAN
Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan.
BAB 2 : LANDASAN TEORI
Bab ini akan membahas teori-teori yang berhubungan dengan pokok pembahasan dalam penelitian ini. Pada bab ini akan dijelaskan tentang landasan teori tentang penjadwalan, algoritma Genetika serta penelitian terdahulu.