BAB VII KESIMPULAN DAN SARAN
1. Diagram konteks
6.1 Statistik Data
6.3.2 Pengujian penjadwalan mata kuliah
Pengujian penjadwalan mata kuliah dilakukan untuk mengetahui optimasi jadwal yang memenuhi aturan dengan penerapan algoritma genetika. Proses pengujian dilakukan dengan mengkombinasikan parameter-parameter genetika seperti probabilitas crossover, probabilitas mutasi, jumlah populasi, dan jumlah generasi. Tujuan dari uji coba adalah untuk mengetahui pengaruh parameter genetika terhadap jadwal yang dihasilkan, dalam hal ini adalah nilai fitness-nya. Dalam pengujian penjadwalan mata kuliah dibagi dalam 4 tahap, yakni pengujian
0.000922 0.000745272 0.0009400690.0009663650.000940236 0.00077325 0.0006 0.00065 0.0007 0.00075 0.0008 0.00085 0.0009 0.00095 0.001 M SE 1: 10 -4 Epoch 5×103 104 5×104 105 5×105 106
111 probabilitas crossover, pengujian probabilitas mutasi, pengujian jumlah populasi, dan terakhir pengujian jumlah generasi.
Pengujian pertama adalah pengujian pengaruh probabilitas crossover
terhadap nilai fitness yang dilakukan pada 6 nilai yaitu 0,4, 0,5, 0,6, 0,7, 0,8 dan 0,9. Untuk setiap nilai uji dilakukan 5 kali percobaan untuk mendapatkan rata-rata nilai fitness-nya. Hasil rata-rata nilai fitness dari uji coba yang dilakukan disajikan pada tabel 6.12.
Tabel 6.12 Nilai rata-rata fitness pada pengujian probabilitas crossover
Berdasarkan tabel 6.12 terlihat bahwa nilai rata-rata fitness tertinggi yaitu 0,314669 yang terletak pada probabilitas crossover 0,6. Untuk nilai rata-rata
fitness terendah adalah 0,308376 yang terletak ketika probabilitas crossover
bernilai 0,7. Untuk mengetahui lebih jelas mengenai perubahan rata-rata nilai
fitness dapat dilihat grafik pada gambar 6.4.
Gambar 6.4 Perubahan nilai fitness pada pengujian probabilitas crossover
coba-1 coba-2 coba-3 coba-4 coba-5 rata-rata
0.4 0.325239 0.300764 0.305123 0.300904 0.318674 0.310141 0.5 0.317075 0.316897 0.310678 0.305393 0.310107 0.31203 0.6 0.320413 0.312791 0.314979 0.311343 0.31382 0.314669 0.7 0.320254 0.310658 0.311688 0.304944 0.294338 0.308376 0.8 0.303915 0.315924 0.327999 0.298818 0.295919 0.308515 0.9 0.321994 0.322555 0.307685 0.312435 0.304505 0.313835 Pc fitness 0.3101408 0.31203 0.3146692 0.3083764 0.308515 0.3138348 0.305 0.306 0.307 0.308 0.309 0.31 0.311 0.312 0.313 0.314 0.315 0.316 0.4 0.5 0.6 0.7 0.8 0.9 fit ne ss Pc
112 Berdasarkan hasil yang ditunjukan oleh grafik pada gambar 6.4 terlihat bahwa nilai fitness yang dihasilkan cenderung naik dan sempat mengalami penurunan ketika fitness bernilai 0,7. Dari pengujian yang telah dilakukan maka nilai 0,6 yang akan digunakan sebagai parameter probabilitas crossover pada pengujian selanjutnya.
Pengujian selanjutnya adalah pengujian pengaruh probabilitas mutasi terhadap nilai fitness yang dilakukan pada 5 nilai yaitu 0,05, 0,1, 0,2, 0,4, dan 0,8. Untuk setiap nilai uji dilakukan 5 kali percobaan untuk mendapatkan rata-rata nilai fitness-nya. Hasil rata-rata nilai fitness dari uji coba yang dilakukan disajikan pada tabel 6.13.
Tabel 6.13 Nilai rata-rata fitness pada pengujian probabilitas mutasi
Pada tabel 6.13 di atas terlihat bahwa nilai rata-rata fitness tertinggi yaitu 0,321109 yang terletak pada probabilitas mutasi 0,4. Untuk nilai rata-rata fitness
terendah adalah 0,3113994 yang terletak ketika probabilitas mutasi bernilai 0,2. Untuk mengetahui lebih jelas mengenai perubahan rata-rata nilai fitness dapat dilihat grafik pada gambar 6.5.
coba-1 coba-2 coba-3 coba-4 coba-5 rata-rata 0.05 0.323509 0.308807 0.315521 0.312174 0.306889 0.31338 0.1 0.289925 0.329533 0.309351 0.331151 0.316934 0.315379 0.2 0.315943 0.297827 0.330832 0.312174 0.300221 0.311399 0.4 0.333572 0.308675 0.308573 0.331749 0.322975 0.321109 0.8 0.295722 0.307638 0.320937 0.306047 0.326932 0.311455 Pm fitness
113 Gambar 6.5 Perubahan nilai fitness pada pengujian probabilitas mutasi
Grafik perbandingan probabilitas mutasi dan fitness seperti yang ditunjukan pada gambar 6.5 menunjukan perubahan yang fluktuatif. Nilai fitness
mengalami penurunan ketika probabilitas mutasi bernilai 0,2 dan 0,8. Dari pengujian yang telah dilakukan maka nilai 0,4 yang akan digunakan sebagai parameter probabilitas mutasi pada pengujian selanjutnya.
Selanjutnya adalah pengujian pengaruh jumlah populasi terhadap nilai
fitness yang dihasilkan. Pengujian dilakukan dengan menggunakan 5 nilai yaitu 8,
15, 30, 55, dan 70. Untuk setiap nilai uji dilakukan 5 kali percobaan untuk mendapatkan rata-rata nilai fitness-nya. Hasil rata-rata nilai fitness dari uji coba yang dilakukan disajikan pada tabel 6.14.
Tabel 6.14 Nilai rata-rata fitness pada pengujian populasi
Pada tabel 6.14 di atas terlihat bahwa nilai rata-rata fitness tertinggi yaitu 0,335443 yang terletak pada populasi 30. Untuk nilai rata-rata fitness terendah adalah 0,307028 yang terletak ketika populasi bernilai 8. Untuk mengetahui lebih
0.31338 0.3153788 0.3113994 0.3211088 0.3114552 0.306 0.308 0.31 0.312 0.314 0.316 0.318 0.32 0.322 0.05 0.1 0.2 0.4 0.8 fit ne ss Pm
coba-1 coba-2 coba-3 coba-4 coba-5 rata-rata 8 0.299155 0.319955 0.297491 0.290111 0.328429 0.307028 15 0.310696 0.327372 0.316925 0.319011 0.315597 0.31792 30 0.33346 0.332291 0.342121 0.343917 0.325427 0.335443 55 0.328457 0.325005 0.326157 0.324388 0.342934 0.329388 70 0.327904 0.324556 0.335892 0.325444 0.333433 0.329446 fitness populasi
114 jelas mengenai perubahan rata-rata nilai fitness dapat dilihat grafik pada gambar 6.6.
Gambar 6.6 Perubahan nilai fitness pada pengujian populasi
Grafik perbandingan populasi dan fitness seperti yang ditunjukan pada gambar 6.6 memperlihatkan perubahan yang cenderung naik. Nilai fitness sempat mengalami penurunan ketika populasi bernilai 55. Dari pengujian yang telah dilakukan maka nilai 30 yang akan digunakan sebagai parameter populasi pada pengujian selanjutnya.
Pengujian terakhir adalah pengujian pengaruh jumlah generasi terhadap nilai fitness yang dihasilkan. Pengujian dilakukan dengan menggunakan 5 nilai yaitu 9, 10, 11, 12, dan 13. Untuk setiap nilai uji dilakukan 5 kali percobaan untuk mendapatkan rata-rata nilai fitness-nya. Hasil rata-rata nilai fitness dari uji coba yang dilakukan disajikan pada tabel 6.15.
Tabel 6.15 Nilai rata-rata fitness pada pengujian generasi 0.3070282 0.3179202 0.3354432 0.3293882 0.3294458 0.29 0.295 0.3 0.305 0.31 0.315 0.32 0.325 0.33 0.335 0.34 8 15 30 55 70 fit ne ss Populasi
coba-1 coba-2 coba-3 coba-4 coba-5 rata-rata 9 0.326848 0.325006 0.321995 0.320469 0.324108 0.323685 10 0.321863 0.316719 0.323986 0.325342 0.332105 0.324003 11 0.327821 0.326474 0.319394 0.314812 0.312791 0.320258 12 0.328336 0.306384 0.332581 0.324117 0.324164 0.323116 13 0.319357 0.307067 0.316934 0.327391 0.313165 0.316783 generasi fitness
115 Pada tabel 6.15 di atas terlihat bahwa nilai rata-rata fitness tertinggi yaitu 0,324003 yang terletak pada generasi 9. Untuk nilai rata-rata fitness terendah adalah 0,3167828 yang terletak ketika generasi bernilai 13. Untuk mengetahui lebih jelas mengenai perubahan rata-rata nilai fitness dapat dilihat grafik pada gambar 6.7.
Gambar 6.7 Perubahan nilai fitness pada pengujian generasi
Grafik perbandingan generasi dan fitness seperti yang ditunjukan pada gambar 6.7 memperlihatkan perubahan yang fluktuatif. Nilai fitness sempat mengalami penurunan ketika generasi bernilai 11, dan 13. Dari pengujian yang telah dilakukan maka nilai 10 yang akan digunakan sebagai parameter jumlah generasi.
Dari tahap-tahap pengujian untuk penjadwalan mata kuliah yang telah dilakukan dengan menerapkan algoritma genetika maka parameter-parameter yang optimal untuk sistem antara lain nilai probabilitas crossover adalah 0,6 , nilai probabilitas mutasi adalah 0,4 , jumlah populasi adalah 30, dan jumlah generasi adalah 10. 0.3236851 0.324003 0.3202584 0.3231164 0.3167828 0.312 0.314 0.316 0.318 0.32 0.322 0.324 0.326 9 10 11 12 13 Fi tn es s Populasi
116 6.3.3 Pengujian jumlah kelas mata kuliah terhadap waktu penjadwalan
Pengujian jumlah kelas mata kuliah terhadap waktu penjadwalan digunakan untuk membuktikan bahwa semakin banyak kelas mata kuliah yang dijadwalkan maka semakin lama waktu proses penjadwalan yang dibutuhkan. Pengujian dilakukan dengan menggunakan 5 nilai yaitu 304, 312, 316, 320, dan 324. Untuk setiap nilai uji dilakukan 5 kali percobaan untuk mendapatkan rata-rata waktunya. Hasil rata-rata-rata-rata waktu proses penjadwalan dari uji coba yang dilakukan disajikan pada tabel 6.16.
Tabel 6.16 Nilai rata-rata waktu pada pengujian jumlah kelas
Pada tabel 6.16 di atas terlihat bahwa nilai rata-rata waktu tertinggi yaitu 19934,99 detik yang terletak pada jumlah kelas 324. Untuk nilai rata-rata waktu terendah adalah 8671,456 detik yang terletak ketika jumlah kelas bernilai 304. Untuk mengetahui lebih jelas mengenai perubahan rata-rata nilai waktu dapat dilihat grafik pada gambar 6.8.
Gambar 6.8 Perubahan nilai waktu pada pengujian jumlah kelas
coba-1 coba-2 coba-3 coba-4 coba-5 rata-rata 304 7829.06 8076.675 8830.655 9085.182 9535.708 8671.456 312 12730.06 13609.79 13974.34 14340.58 13568.33 13644.62 316 12853.33 17659.3 13560.94 12794.72 17473.22 14868.3 320 17002.53 20145.91 17033.35 14650.89 18515.19 17469.57 324 22323.14 19993.16 19919.54 19340.41 18098.73 19934.99 waktu jumlah kelas 8671.456 13644.618 14868.3046 17469.5748 19934.9942 0 5000 10000 15000 20000 25000 304 312 316 320 324 w ak tu (d et ik ) Jumlah Kelas
117 Grafik perbandingan jumlah kelas dan waktu seperti yang ditunjukan pada gambar 6.8 memperlihatkan perubahan yang semakin naik. Ini artinya bahwa semakin banyak jumlah kelas mata kuliah yang dijadwalkan maka semakin banyak waktu untuk pemrosesan yang dibutuhkan.
118
BAB VII
KESIMPULAN DAN SARAN
7.1 Kesimpulan
Pada penelitian yang telah dilakukan ini menghasilkan beberapa kesimpulan dari aplikasi yang telah dikembangkan antara lain sebagai berikut:
1. Aplikasi yang dikembangkan berhasil mengimplementasikan jaringan syaraf tiruan untuk proses prediksi jumlah peserta mata kuliah di fakultas Matematika dan Ilmu Pengetahuan Alam.
2. Aplikasi yang dikembangkan berhasil mengimplementasikan algoritma genetika untuk proses penjadwalan kelas mata kuliah di fakultas Matematika dan Ilmu Pengetahuan Alam yang menggunakan ruang berdasarkan jumlah peserta mata kuliah hasil prediksi.
3. Kombinasi parameter masukan yang tepat pada proses prediksi jumlah peserta mata kuliah dengan menerapkan jaringan syaraf tiruan dapat menghasilkan hasil prediksi yang lebih optimal.
4. Kombinasi parameter masukan yang tepat pada proses penjadwalan kelas mata kuliah dengan menerapkan algoritma genetika dapat menghasilkan hasil jadwal yang lebih optimal.
5. Pada proses penjadwalan kelas mata kuliah, semakin banyak kelas yang dijadwalkan maka semakin lama waktu yang dibutuhkan oleh algoritma genetika dalam menghasilkan jadwal.
7.2 Saran
Seperti yang dipaparkan pada pendahuluan, masih terdapat batasan-batasan masalah dan kekurangan pada aplikasi yang telah dikembangkan pada
119 penelitian ini. Beberapa hal yang dapat dijadikan acuan atau pertimbangan pada penelitian lebih lanjut adalah sebagai berikut:
1. Penelitian selanjutnya dapat membandingkan performa jaringan syaraf tiruan dengan teknik lain dalam memprediksi jumlah peserta mata kuliah.
2. Penelitian selanjutnya pada proses prediksi jumlah peserta mata kuliah dapat dilakukan perbandingan dengan data yang lebih banyak serta pola jaringan yang bervariasi.
3. Implementasi dengan menggunakan bahasa pemrograman lain mengingat keterbatasan bahasa pemrograman php dalam proses pengolahan komputasi. 4. Penelitian ini menghasilkan aplikasi yang mampu menghasilkan jadwal kelas
mata kuliah, dan penelitian selanjutnya dapat mengembangkan aplikasi agar juga mampu menghasilkan jadwal ujian mata kuliah.
120