PENJADWALAN KAMPANYE PILKADA MENGGUNAKAN
ALGORITMA GENETIKA
SKRIPSI
SUGIHARTO SITEPU
081402010
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PENJADWALAN KAMPANYE PILKADA MENGGUNAKAN
ALGORITMA GENETIKA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ijazah
Sarjana Teknologi Informasi
SUGIHARTO SITEPU
081402010
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PENJADWALAN KAMPANYE MENGGUNAKAN
ALGORITMA GENETIKA
Kategori : SKRIPSI
Nama : SUGIHARTO SITEPU
Nomor Induk Mahasiswa : 081402005
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI (FASILKOMTI) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, Februari 2015 Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
M. Anggia Muchtar, ST. MM.IT Drs. Marihat Situmorang, M.Kom NIP 198001102008011010 NIP 19631214989031001
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
ABSTRAK
Penjadwalan diperlukan dalam berbagai kegiatan, mengingat dengan adanya penjadwalan yang baik dan teratur akan meningkatkan produktivitas dan efisien sumber daya yang ada. Pada umumnya penjadwalan dilakukan dengan cara manual, namun masilah sering terjadi jadwal yang tumpang tindih serta memakan waktu yang cukup lama. Penjadwalan kampanye merupakan salah satu hal yang penting pada penelitian ini akan diterapkan algoritma genetika untuk menyelesaikan persoalan pada penjadwalan yang tumpang tindih. Hasil dari penelitian ini menghasilkan jadwal yang optimal dengan menjadwalkan seluruh kegiatan kampanye.
PERNYATAAN
PENJADWALAN KAMPANYE MENGGUNAKAN
ALGORITMA GENETIKA
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Februari 2015
UCAPAN TERIMA KASIH
Puji dan Syukur penulis panjatkan kehadiran Tuhan Yang Maha Esa atas berkat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk dapat memperoleh ijazah Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara. Ucapan terimakasih penulis sampaikan kepada:
1. Kedua orang tua dan keluarga penulis yang telah memberikan dukungan dan motivasi baik materil dan spiritual, Ayahanda Joni Sitepu dan Ibunda Tumini S.Pd yang selalu sabar mendidik dan membesarkan penulis.
2. Bapak Drs. Marihat Situmorang, M.Kom selaku pembimbing satu dan Bapak M. Anggia Mucthar, ST., MM.IT selaku pembimbing dua yang telah banyak melaluangkan waktu dan pikirannya, memotivasi dan memberikan kritikkan dan saran kepada penulis dengan sabar.
3. Ucapan terima kasih juga penulis sampaikan kepada Ibu Dr Erna Budhiarti Nababan, M.IT dan Ibu Sarah Purnamawati penguji yang telah bersedia menjadi dosen pembanding penulis.
4. Ucapan terimakasih juga ditujukan kepada Ketua dan Sekretaris Program Studi Teknologi Informasi, Bapak M. Anggia Muchtar, S.T.,MM.IT. dan Bapak M. Fadly Syahputra B.Sc.,M.Sc.IT.
5. Dekan dan Wakil Dekan Fakultas Ilmu Komputer dan teknologi Informasi Universitas Sumatera Utara, semua dosen dan pegawai di Program Studi Teknologi Informasi.
6. Terima kasih kepada staf pegawai administrasi tata usaha Program Studi Teknologi Informasi, Ibu Delima Harahap dan terutama Abangda Faisal Hamid, yang telah banyak membantu penulis dalam menyelesaikan semua urusan administrasi di Program Studi Teknologi Informasi, serta telah banyak meluangkan waktu untuk bertukar pikiran.
telah banyak meluangkan waktu untuk bertukar pikiran dan membantu saya dalam menyelesaikan administrasi.
8. Terima kasih kepada seluruh sahabat-sahabat terbaik penulis di angkatan 2008 Teknologi Informasi Universitas Sumatera Utara, yang tidak dapat saya sebutkan satu persatu.
ABSTRACT
Scheduling is required in a variety of activities , given the existence of good and regular scheduling will improve productivity and efficient existing resources . In general, the scheduling is done by hand , but frequent overlapping schedules and takes quite a long time . Scheduling campaign is one important thing in this research will be applied genetic algorithms to solve the problems in scheduling overlap . The results of this study produce optimal schedule by scheduling the whole campaign.
DAFTAR ISI
Hal. Persetujuan
Pernyataan
Ucapan Terima Kasih Abstrak
Abstract Daftar Isi
Bab 1 Pendahuluan 1
1.1Latar belakang 1
1.2Rumusan masalah 2
1.3Batasan masalah 2
1.4Tujuan 3
1.5Manfaat penelitian 3
1.6Sistematika penulisan 3
Bab 2 Tinjauan Pustaka 5
2.1 Penjadwalan kampanye 5
2.2 Pengertian algoritma genetika 5
2.3 Dasar Algoritma 9
2.4 Teknik Encoding 10
2.5 Fitnes Valau 10
2.6 Sirklus Algoritma Genetika 11
2.7 Metode Seleksi 12
2.8 Crossover 14
2.10 Parameter Genetika 17
2.11 Penelitian Terdahulu 18
Bab 3 Analisis dan Perancangan Sistem 20
3.1 Analisis Masalah 20
3.2 Data Yang digunakan 21
3.3 Perancangan Algoritma 22
3.4 Perancangan Sistem 23
3.5 Perancangan Menu Sistem 25
3.6 Rancangan Antar Muka 26
Bab 4 Implementasi dan Pengujian Sistem 30
4.1 Implementasi system 30
4.2 Pengujian Sistem 35
Bab 5 Kesimpulan dan saran 43
5.1 Kesimpulan 43
5.2 Saran 44
ABSTRAK
Penjadwalan diperlukan dalam berbagai kegiatan, mengingat dengan adanya penjadwalan yang baik dan teratur akan meningkatkan produktivitas dan efisien sumber daya yang ada. Pada umumnya penjadwalan dilakukan dengan cara manual, namun masilah sering terjadi jadwal yang tumpang tindih serta memakan waktu yang cukup lama. Penjadwalan kampanye merupakan salah satu hal yang penting pada penelitian ini akan diterapkan algoritma genetika untuk menyelesaikan persoalan pada penjadwalan yang tumpang tindih. Hasil dari penelitian ini menghasilkan jadwal yang optimal dengan menjadwalkan seluruh kegiatan kampanye.
BAB I
PENDAHULUAN
I. Latar Belakang
Teknologi informasi telah menjadi lebih dari sekedar gaya hidup sehari-hari. Teknologi informasi yang begitu pesat telah membantu banyak pekerjaan manusia di berbagai aspek kehidupan. Sebagian besar orang saat ini mungkin telah menganggap teknologi informasi sebagai kebutuhan.
Penjadwalan secara manual membutuhkan ketelitian dan keahlian serta waktu yang cukup lama. Penjadwalan diperlukan dalam berbagai kegiatan, mengingat dengan adanya penjadwalan yang baik dan teratur akan meningkatkan produktivitas dan efisien sumber daya yang ada.
Pada bidang politik, penjadwalan kampanye merupakan salah satu hal penting. Kampanye adalah kegiatan yg dilaksanakan oleh organisasi politik atau kandidat yang bersaing memperebutkan kedudukan di parlemen untuk mendapat dukungan massa pemilih dalam suatu pemungutan suara (KBBI). Dalam penyusunan jadwal yang baik, penyusunan jadwal harus memperhatikan batasan yang ada agar jadwal disusun dapat memenuhi kebutuhan dan memberikan solusi. Batasan yang ada misalnya banyaknya partai politik dan kandidat yang bersaing, keterbatasanya waktu masa kampanye, luasnya wilayah pemilihan dan beranekah ragamnya massa yang ada. Namun karena batasan-batasan tersebut maka tak jarang terjadi konflik-konflik. Yang menjadi masalah adalah menemukan solusi yang tepat agar batasan-batasan yang ada tidak dilanggar dan tidak menjadi konflik. Konflik yang di maksud seperti : kandidat X kampanye di wilayah A1 dan kandidat Z kampanye di wilaya A1 pada waktu yang bersamaan dengan masa yang berbeda. Hal tersebut tentu saja tidak boleh terjadi dalam penyusunan jadwal kampanye. Maka dari itu perlu beberapa pertimbangan yang cukup besar dalam penyususnan jadwal kampanye yang baik tanpa harus terjadi konflik antara kandidat/partai politik, waktu, wilayah dan massa yang tersedia.
Sesuai dengan UU No.32 Tahun 2004 Pasal 75 (9) yang berbunyi “Jadwal
pasangan calon”. Pada dasarnya penjadwalan kampanye merupakan kombinasi antara kandidat/partai politik, waktu dan wilayah,. Untuk menyelesaikan permasalahan tersebut dapat mengkombinasikan secara manual untuk mendapatkan penjadwalan yang baik. Namun membutuhkan waktu yang lama dan secara cermat dan teliti agar tidak terjadi konflik. Untuk meminimalkan waktu maka pembuatan jadwal secara otomatis merupakan solusi dari penjadwalan kampanye.
Salah satu metode optimasi yang dapat digunakan untuk mengoptimasikan pembuatan aplikasi penyusunan jadwal secara otomatis adalah algoritma genetika. Algoritma genetika merupakan algoritma pencarian heuristic yang didasarkan atas mekanisme evolusi biologi. Keragaman pada evolusi biologi dalah variasi dari kromosom antar individu organisme. Variasi kromosom ini akan mempengaruhi laju reprodusi dan tingkat kemampuan organisme untuk tetap hidup (Kusumadewi, 2005)
II. Rumusan Masalah
Penjadwalan kampanye pilkada merupakan kombinasi antara kandidat/partai politik, waktu, wilayah. Untuk menyelesaikan permasalahan tersebut dapat mengkombinasikan secara manual untuk mendapatkan penjadwalan yang baik. Namun membutuhkan waktu yang lama dan secara cermat dan teliti agar tidak terjadi konflik. Karena itu permasalahan yang akan diselesaikan dalam tugas akhir ini adalah bagaimana penjadwalan kampanye pilkada agar tidak terjadinya waktu yang tumpang tindih.
III.Batasan Masalah
Untuk memfokuskan Penelitian ditentukan beberapa batasan masalah yaitu sebagai berikut :
1. Ruang lingkup untuk provinsi sumatera utara
2. Penjadwalan kampanye umtuk pemilihan kepala daerah Kabupaten Langkat
Adapun tujuan penelitian ini adalah untuk merancang penjadwalan kampanye pilkada yang tidak tumpang tindih mengunakan algoritma genetika.
V. Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut :
1. Hasil penelitian ini dapat bermanfaat untuk menambah pengetahuan serta membantu KPU menentukan jadwal kampanye pilkada.
2. Bagi peneliti lainya sebagai referensi dalam rangka penyelesaian masalah untuk penelitian yang sejenis.
VI. Sistematika Penulisan
Sistematika yang akan digunakan adalah: 1. Studi Literatur
Pada tahap ini dilakukan dengan membaca dan mempelajari buku-buku referensi, jurnal atau sumber-sumber lain yang berkaitan dengan tugas akhir ini, baik berasal dari buku maupun dari internet.
2. Analisis dan Perancangan Desain
Pada tahap ini akan dilakukan analisis penerapan algoritma genetika pada penjadwalan kampanye.
3. Implementasi
Pada tahap ini akan dilakukan pengkodean dan menerapkan perancangan aplikasi tersebut ke dalam bahasa pemrograman.
Pada tahap ini akan dilakukan pengujian terhadap aplikasi apakah telah memenuhi kriteria atau tidak.
5. Dokumentasi
BAB 2
LANDASAN TEORI
2.1 Penjadwalan KampanyePenjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian aktivitas kerja (Jiupe, 2008). Penjadwalan juga merupakan proses penyusunan daftar pekerjaan yang akan dilakukan untuk mencapai atau mewujudkan suatu tujuan tertentu yang juga memuat tabel waktu pelaksanaan.
Penjadwalan kampanye adalah kegiatan yang dilaksanakan oleh organisasi politik atau Kandidat yang bersaing memperebutkan kedudukan di kantor bupati/walikota untuk mendapat dukungan massa pemilih di suatu pemungutan suara. Penjadwalan yang digunakan pada penelitian ini merupakan jadwal kampanye pilkada. Tujuan penjadwalan kampanye pilkada agar tidak terjadi bentrokan antara jadwal yang satu dengan yang lain. Permasalahan yang dihadapi penjadwalan terletak pada lebih banyak kandidat yang harus dijadwalkan daripada lokasi yang tersedia. kapasitas lokasi kampanye yang harus sesuai dengan masa kampanye dan kesediaan juru kampanye dan kandidat. Permasalahan penjadwalan kampanye dapat diselesaikan dengan berbagai metode pencarian, salah satu metode pencarian dengan menggunakan algoritma genetika. Dalam proses penyelesaian masalah penjadwalan kampanye terdapat kendala-kendala yang harus dipenuhi atau tidak boleh dilanggar.
2.2 Pengertian Algoritma Genetika
Kecerdasan buatan atau Artificial Intelligence merupakan bagian dari ilmu pengetahuan komputer yang khusus ditujukan dalam perancangan otomatisasi tingkah laku cerdas dalam sistem kecerdasan komputer. Sistem memperlihatkan sifat-sifat khas yang dihubungkan dengan kecerdasan dalam kelakukan atau tindak-tanduk yang sepenuhnya bisa menirukan beberapa fungsi otak manusia, seperti pengertian bahasa, pengetahuan, pemikiran, pemecahan masalah dan lain sebagainya (Kristanto, 2004).
Ide awal algoritma genetika berasal dari teori Charles Darwin tentang evolusi yang berbasis pada konsep “survival of the fittest” yang menyatakan bahwa evolusi jenis-jenis spesies makhluk hidup dan ekosistemnya terjadi karena seleksi alam. Semakin tinggi kemampuan individu untuk beradaptasi, maka semakin tinggi kemungkinan individu tersebut dapat bertahan dan memiliki keturunan. Keturunan dari individu-individu tersebut akan mewarisi sifat-sifat induknya, dimana sifat-sifat tersebut dapat mengalami perubahan yang disebabkan oleh pencampuran sifat kedua induk maupun proses mutasi.
Algoritma Genetika ditemukan pertama kali pada tahun 1960. Algoritma Genetika merupakan salah satu algoritma pemodelan evolusi (evolutionary modelling) yang dikembangkan oleh John Holland pada dekade 1960 dan 1970-an dengan tujuan memodelkan perkembangan kemampuan adaptasi sebuah sistem. Algoritma genetika diimplementasikan sebagai simulasi yang berawal dari sebuah populasi yang dihasilkan secara random dan terdiri dari kromosom-kromosom, seperti halnya anggota tubuh makhluk hidup dan merepresentasikan solusi dari masalah. Populasi tersebut akan menghasilkan keturunan populasi yang baru dan diharapkan lebih baik dari populasi sebelumnya. Semakin baik kondisi suatu populasi, semakin besar kemungkinan populasi itu untuk dikembangkan menjadi populasi selanjutnya.
Kondisi ini diulangi sampai mendapatkan kondisi yang diharapkan, dengan kata lain solusi terbaik sudah diperoleh.
Untaian solusi merupakan analogi sebuah kromosom, dimana setiap kromosom memiliki sebuah nilai fungsi obyektif yang bersesuaian dengan parameter masalah yang disebut nilai fitnes (fitness value).Apabila sebuah kromosom dikatakan unggul berarti memiliki nilai fitness yang tinggi (untuk masalah maksimasi) atau nilai fitnessyang rendah (untuk masalah minimasi). Nilai fitness menunjukkan kromosom mana yang memiliki potensi terbaik untuk diturunkan pada generasi berikutnya. Satu tahapan iterasi pada algoritma genetika disebut generasi, dan selama langkah inistruktur dalam populasi saat itu akan dievaluasi untuk menentukan populasi pada generasi berikutnya.
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 pada awal tahun 1960 oleh John Hollands dari University of Michigan.
Karya Hollands 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 Hollands, mendefinisikan Algoritma Genetik adalah model dan menerapkan sistem 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. Mengingat masalah tertentu untuk memecahkan, penggunakan algoritma genetika merupakan seperangkat solusi 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, tetapi lebih sering individu dihasilkan secara acak
Secara alami semua organisme terdiri dari sel, di mana setiap sel terdiri dari sekumpulan kromosom membentuk sekumpulan gen, membuat satu kesatuan yang 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-sifat. Bagian tertentu dari gen di dalam genom disebut genotip. Beberapa sifat individu yang menunjukkan perbedaan gen dan berada pada bagian disebut alel (Fitri, 2002). Perbandingan istilah alam dengan Algoritma Genetika dapat ditunjukan pada Tabel 2.1
Tabel 2.1 Perbandingan Istilah Alam Dengan Algoritma Genetika
Alam Algoritma Genetika
Dalam algoritma genetika solusi yang diterapkan pada sebuah populasi individu-individu yang masing-masing mewakili solusi yang mungkin disebut dengan kromosom, yang ditunjukkan dengan sekumpulan simbol dalam bentuk string dengan panjang tertentu dan biasanya dari bilangan biner (0,1). Dalam algoritma genetika ada istilah populasi, individu, kromosom, gen, allela, locus, fitness, perkawinan silang (crosseover), mutasi (mutation), seleksi, anak (offspring). Pengertian populasi adalah sekumpulan kromosom dalam satu generasi. Populasi awal dibangun secara acak, sedangkan populasi berikutnya merupakan hasil evolusi kromosom-kromosom melalui iterasi yang disebut dengan generasi (Joneo Hendarto, 2002). Individu adalah sekumpulan gen dalam sistem algoritma genetika bisa dikatakan sama dengan kromosom. Generasi adalah individu yang dilakukan untuk menentukan populasi berikutnya. Kromosom 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 gabungan 2 kromosom. Generasi sekarang yang bertindak sebagai induk (parent) dengan menggunakan operator penyilangan (crossover) maupun operator mutasi.
Selama proses genetika, kromosom yang terbaik kecenderungan mempunyai 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 mungkin berhasil bertahap pada generasi berikutnya.
Algoritma genetika mempunyai karakteristik yang perlu diketahui sehingga dapat dibedakan proses pencarian atau optimasi yang lainnya. Karakteristik-karakteristik yang perlu diketahui sehingga dapat dibedakan dari prosedur pencarian atau optimasi yang lain, yaitu:
1. Algoritma genetika dengan pengkodean dari himpunan solusi permasalahan berdasarkan parameter yang telah diterapkan dengan bukan parameter itu sendiri. 2. Algoritma genetika pencarian pada sebuah solusi dari sejumlah individu-individu
yang merupakan solusi permasalahan bukan hanya dari sebuah individu.
4. Algoritma genetika menggunakan aturan-aturan transisi peluang, bukan aturan deterministik
2.3 Dasar Algoritma
Kerangka dasar dari algoritma genetika sering disebut Simple Genetic oleh John Holland dinyatakan sebagai berikut:
1. [Sart], generasi populasi pertama secara random sebanyak n individu. 2. [Fitness], evaluasi nilai fitness f(x) dari individu x didalam populasi.
3. [New Population], bentuk populasi baru dengan melakukan pengulangan langkah-langkah dibawah ini sehingga didapat populasi baru.
a. [Selection], pilih 2 individu sebagai orang tua dari sebuah populasi sesuai dengan fitness mereka (semakin baik fitness, maka semakin besar peluang mereka terpilih).
b. [Crossevor], lakukan perkawilan silang antara kedua orang tua sesuai dengan probabilitas crossover untuk membentuk keturunan yang baru.Jika tidak terjadi persilangan maka keturunan yang dihasilkan akan sama persis dengan orang tuanya.
c. [Mutation], mutasai setiap keturunan yang baru sesuai dengan probabilitas mutasi di setiap gen.
d. [Accepting], tempatkan keturunan yang baru sebagai populasi baru.
4. [Replace], gunakan populasi yang baru dibentuk untuk menjalankan algoritma. 5. [Test]. jika kondisi akhir dipenuhi maka berhenti dan tampilkan solusi dari
populasi.
2.4 Teknik Encoding
Teknik encoding atau pengkodean adalah bagaimana mengkodekan gen dari kromosom. Satu gen biasanya merepresentasikan satu variabel. Gen dapat diwakili dalam bentuk bilangan real, bit, daftar aturan, elemen permutasi, elemen program, atau representasi lainya yang dapat diimplementasikan untuk operator genetika. Teknik pengkodean ini tergantung pada pemecahan masalah yang dihadapi. Misalnya, pengkodean secara langsung bilangan real atau integer. Oleh karena itu, kromosom dapat direpresentasikan sebagai :
2. Array bilangan real : 7.9, 9.7, -70 dst 3. Elemen permutasi : E5, E8, E11 dst 4. Daftar aturan : R1, R2, R3 dst
5. Elemen program : pemrograman genetika
2.5 Fitness Value
Fitness value atau nilai fitness merupakan ukuran baik tidak sebuah individu (kromosom) dan baik tidak sebuah solusi yang didapatkan. 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 kemungkinan sangat kecil (karena algoritma ini menghasilkan secara random), sebagian akan lebih tinggi dari yang lain. Kromosom dengan nilai fitness yang lebih tinggi ini akan memberikan probabilitas yang tinggi untuk bereproduksi pada generasi selanjutnya. Untuk melakukan seleksi alam, setiap individu dievaluasi menggunakan nilai fitness value, yang ditentukan dengan sebuah fungis evaluasi. Fitness value dapat didefinisi:
Fitness = A – F(X) atau Fitness = � ( �) +
Keterangan:
A = Konstanta yang telah ditentukan X = Individu (kromosom)
E = Bilangan kecil yang dibentuk untuk menghindari nilai nol
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.
2.6 Siklus Algoritma Genetika
Gambar 2.1 Sirklus Algoritma Genetika oleh David Goldberg
Sirklis ini kemudian diperbaiki oleh beberaoa ilmuwan yang mengembangkan algoritma genetika, yaitu Zbignew Michalewicz dengan menambahkan operator elitism dan membalik proses seleksisetelah proses reproduksi
Gambar 2.2 Sirklus Algoritma Genetika yang diperbarui oleh Michalewicz
2.7 Metode Seleksi
Ada berbagai teknik yang suatu algoritma genetika dapat digunakan untuk memilih individu-individu yang akan disalin ke generasi berikutnya:
1. Seleksi elitis
Populasi sebagian besar anggota setiap generasi dijamin akan dipilih. 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 dari generasi lama kedalam generasi baru. 2. Seleksi Roulette-wheel
Suatu bentuk-proporsional seleksi fitness di mana kemungkinan individu sedang dipilih adalah sebanding dengan jumlah yang fitness yang lebih besar atau lebih kecil dari nilai
fitness. Konseptual, hal ini dapat direpresentasikan sebagai permainan rolet. Masing-masing individu mendapat sepotong roda, tetapi yanglebih mendapatkan potongan lebih besar atau yang kurang dari roda kemudian berputar, dan individu mana yang "memiliki" bagian yang terbesar maka menjadi solusi.
Sebagai fitness rata-rata populasi meningkat, kekuatan tekanan selektif juga 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 dari yang lain.
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 subsub-kelompok dipilih untuk mereproduksi.
c. Seleksi rank
Setiap individu dalam populasi diberi peringkat numerik berdasarkan fitness, 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 menghambat upaya untuk menemukan solusi yang dapat diterima.
d. Steady-state selection
Pemikiran utama dari metode seleksi ini adalah sebagian kromosom dari generasi lama tetap bertahan atau berada di generasi selanjutnya. Algoritmagenetika menerapakan pemikiran tersebut dengan cara, didalam setiap generasi sejumlah kromosom yang mempunyai nilai fitness tinggi untuk diprosses untuk menghasilkan keturunan yang baru sedangkan kromosom dengan nilai fitness rendah dibuang
2.8. Crossover (Perkawinan Silang)
Crossover atau perkawinan silang merupakan operasi algoritma genetika untuk menggabungkan dua kromosom induk menjadi kromosom anak dengan proses 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 (parent) akan diwarisi pada anak dipertahankan.
pindah silang bisa dilakukan hanya jika suatu bilangan random yang dibangkitkan kurang dari probabilitas yang ditentukan tersebut dan nilai probabilitas diset mendekati 1.
Probabilitas crossover (�c) merupakan nilai perbandingan jumlah kromosom yang diharapkan akan mengalami perkawinan silang terhadap jumlah kromosom dalamsuatu populasi. Probabilitas crossover yang tinggi akan memungkinkan pencapaian alternative solusi yang bervariasi dan mengurangi kemungkinan menghasilkan solusi yang terbaik. Crossover bertujuan menambah keanakeragaman string dalam populasi dengan penyilangan antar string yang diperoleh sebelumnya. beberapa jenis crossover tersebut adalah:
1. Penyilangan Satu Titik
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 2.1
Tabel 2.1 single-point crossover
Kromosom induk 1 001100101001
Kromosom induk 2 101011110110
Anak (offspring) 001100110110 dan 101001101011
2. Penyilangan Banyak Titik
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 penyilangan dua titik dapat dilihat seperti tabel 2.2
Tabel 2.2
Kromosom induk 1 19 001100101001
Anak (offspring) 001011110001dan 100101101110
3. Penyilangan Seragam
Penyilangan seragam menghasilkan kromosom keturunan dengan menyalin bit-secara acak dari kedua induknya. Proses penyilangan seragam dapat dilihat seperti tabel 2.3
Tabel 2.3 Crossover Seragam
Kromosom induk 1 001100101001 Kromosom Induk 2 101011110110 Anak (offspring) 001000111010 dan
1011111001
2.9 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.
1. Mutasi dalam Pengkodean Biner
Mutasi pada pengkodean biner merupakan operasi yang sangat sederhana. Proses ini yang dilakukan adalah menginvers nilai bit pada posisi tertentu yang terpilih secara acak atau menggunakan skema tertentu pada kromosom, yang disebut inverse bit.
Tabel 2.4 Mutasi pada Pengkodean Biner
Kromosom sebelum mutasi 1 0 1 0 1 1 1 0 1 Kromosom setelah mutasi 1 0 1 0 0 1 1 0 1
2. Mutasi dalam Pengkodean Permutasi
Proses mutasi yang dilakukan dalam pengkodean biner dengan mengubah langsung bit-bit pada kromosom tidak dapat dilakukan pada kromosom dapat dilakukan pad pengkodean permutasi karena konsistensi urutan permutasi harus diperhatikan. Salah satu cara yang dapat dilakukan adalah memilih dua posisi (locus) dari kromosom dan kemudian nilainya saling dipertukarkan.
Tabel 2.5 Mutasi pada Pengkodean Permutasi
Kromosom sebelum mutasi 1 2 3 4 5 6 7 8 9 Kromosom setelah mutasi 1 2 7 4 5 6 3 8 9
3. Mutasi dalam Pengkodean Pohon
Mutasi dalam pengkodean pohon dapat dilakukan antara lain dengan cara mengubah operator (+,-,*,/) atau yang terkandung pada suatu vertex pohon yang dipilih.
2.10 Parameter Genetika
solusi. Ukuran populasi disarankan sekitar 20-30 individu, probablitas 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 algoritma genetika dibutuhkan 4 parameter yaitu:
1. Probabilitas Persilangan
Pobabilitas Persilangan menunjukkan bahwa kemungkinan persilangan terjadi antara 2 kromosom. Jika tidak persilangan maka keturunan akan sama persis dengan kromosom induk, tetapi tidak berarti generasi yang baru sama persis dengan yang lama. Jika probabilitas persilangan 100% maka semuanya keturunan dihasilkan crossover.
2. Probabilitas Mutasi
Probabilitas Mutasa menunjukkan kemungkinan mutasi pada gen-gen yang 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 probabilitas mutasi 0% semua kromosom tidak ada yang mengalami mutasi.
3. Jumlah individu
Jumlah Individu menunjukkan jumlah kromosom yang terdapat dalam populasi dalam satu generasi. Jika hanya sedikit kromosom dalam populasi maka algoritma genetik akan mempunyai sedikit variasi kemungkinan untuk 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
Jumlah populasi atau banyaknya generasi yang dihasilkan, digunakan sebagai batas akhir proses seleksi, persilangan dan mutasi.
2.11 Penelitian Terdahulu
Adapun penelitian terdahulu yang telah dilakukan untuk penjadwalan, dapat dilihat pada tabel 2.6
No Pengarang Judul Tahun
1 Afandi Penerapan AlgoritmaGenetikan
Untuk Masalah Penjadwalan Job Shop Pada Lingkungan Industri Pakaian
2009
2 Lismanto Penjadwalan Kuliah dengan
Algoritma Genetika Matematika
2008
3 Imamah Penerapan Algoritma Modified Ant Colony Pada Penjadwalan Produksi Baja
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis Masalah
Penjadwalan secara manual membutuhkan ketelitian dan keahlian serta waktu yang cukup lama. Penjadwalan diperlukan dalam berbagai kegiatan, mengingat dengan adanya penjadwalan yang baik dan teratur akan meningkatkan produktivitas dan efisien sumber daya yang ada.
Pada bidang politik, penjadwalan kampanye merupakan salah satu hal penting. Kampanye adalah kegiatan yang dilaksanakan oleh organisasi politik atau kandidat yang bersaing memperebutkan kedudukan di parlemen untuk mendapat dukungan massa pemilih dalam suatu pemungutan suara (KBBI). Dalam penyusunan jadwal yang baik, penyusunan jadwal harus memperhatikan batasan yang ada agar jadwal disusun dapat memenuhi kebutuhan dan memberikan solusi. Batasan yang ada misalnya banyaknya partai politik dan kandidat yang bersaing, keterbatasanya waktu masa kampanye, luasnya wilayah pemilihan dan beranekah ragamnya massa yang ada. Namun karena batasan-batasan tersebut maka tak jarang terjadi konflik-konflik. Yang menjadi masalah adalah menemukan solusi yang tepat agar batasan-batasan yang ada tidak dilanggar dan tidak menjadi konflik. Konflik yang di maksud seperti : kandidat X kampanye di wilayah A1 dan kandidat Z kampanye di wilaya A1 pada waktu yang bersamaan dengan masa yang berbeda. Hal tersebut tentu saja tidak boleh terjadi dalam penyusunan jadwal kampanye. Maka dari itu perlu beberapa pertimbangan yang cukup besar dalam penyususnan jadwal kampanye yang baik tanpa harus terjadi konflik antara kandidat/partai politik, waktu, wilayah dan massa yang tersedia.
Sesuai dengan UU No.32 Tahun 2004 Pasal 75 (9) yang berbunyi “Jadwal
tidak terjadi konflik. Untuk meminimalkan waktu maka pembuatan jadwal secara otomatis merupakan solusi dari penjadwalan kampanye.
3.2 Data yang Digunakan
Data yang digunakan dalam penelitian ini adalah data jumlah kecamatan di kabupaten/kota provinsi Sumatera Utara pada tahun 2014. Data dikelompokkan per Kabupaten kota. Seluruh data berjumlah data seperti yang dirangkum pada Tabel 3.1
Tabel 3.1 Rangkuman Data Kecamatan di Kabupaten Langkat
Kabupaten Kecamatan
Kabupaten Langkat Babalan
Berikut ini adalah rancangan algoritma atau langkah kerja aplikasi penjadwalan menggunakan agoritma genetika
Hal pertama yang harus kita cari ketika kitan ingin berhubungan dengan proses genetika adalah bagaimana kromosom-kromosom yang yang nantinya memungkinkan bagi kita untuk melakukan segala aktivitas genetik seperti crossover dan mutation . selain itu kita juga harus mempresentasikan seberapa baiknya solution yang kita hasilkan atau dalam penelitian ini lebih kita kenal sebagai fitness
Kromosom yang dimaksudkan diatas kita representasikan dalam suatu slot-slot waktu yang didefinisikan dalam jarak waktu satu enam untuk setiap hari setiap kecamatan. Untuk waktu kampanye dari jam 11 pagi sampai jam 5 sore. Dengan keadaan ini maka kita membuat vektor sebesar 6 * 7 * lokasi yang tersedia. Vektor-vektor inilah yang akan merepresentasikan kromosom dari hasil-hasil solusi yang akan terbentuk nantinya.
3.3.1. Membangkitkan Populasi Awal
Membangkitkan populasi awal, teknik yang digunakan adalah dengan menagambil variabel waktu, variabel kandidat, dan variavel lokasi, yang kemudian direpresentasikan kedalam bentuk kromosom, setelah itu populasi awal dibentuk berdasarkan informasi dari banyaknya N kromosom. Populasi awal dibangkitkan secara rondom untuk dilakukan proses evaluasi kromosom.
3.3.2. Inisialisasi Populasi
Inisialisasi Populasi dibuat dengan cara membangkitkan populasi secara acak tanpa memperhatikan nilai fungsi fitnes, proses ini meruakan proses yang mengkodekan informasidata kedalam slot kromosom. Inisialisasi populasi dibuat secara acak dari slot kromosom untuk beberapa jumlah individu dalam satu populasi.
3.3.3. Crossover
Crossover adalah cara mengkombinasikan gen-gen untuk menghasilkan keturunan baru.
Crossover yang digunakan adalah crossover satu titik. Crossover ini dilakukan dengan menukar nilai gen pada populasi gen yang sama dari kedua induk.
3.3.4. Mutasi
crossover, mutasi akan dilakukan dengan cara memilih dua gen dari kromosom dan kemudian nilainya saling dipetukarkan.
3.4 Perancangan Sistem
Perancangan sistem Bertujuan untuk menentukan hasil akhir dari software yang akan dibangun dengan melakukan beberapa proses untuk memperoleh hasil tersebut. Pada software penjadwalan kampanye kabupaten langkatdengan menggunakan algoritma genetika, tahapan perancangan yang dilakukan mencakup perancangan data, perancangan arsitektur dalam bentuk DFD (data flow diagram) rancangan menu sistem dan rancangan antarmuka (interface)
3.4.1 Perancangan Sirklus
Diagram Aliran Data / Data Flow Diagram (DFD) adalah alat yang biasa dipakai untuk mendokumentasi proses dalam sistem atau sebuah teknis grafis yang menggambarkan aliran informasi dan transformasi yang diaplikasikan pada saat data bergerak dari input menjadi output (Simorangkir, 2012). Gambar 3.1 menggambarkan diagram aliran data dari sistem yang akan dibuat.
Input data kecamatan Input data kandidat
Data Kecamatan Input waktu Kampanye
Data Waktu Kampanye Data Kandidat
Laporan
Gambar 3.1 Diagram Konteks DFD
Proses pada diagram konteks diatas dapat dipecah lagi menjadi proses-proses yang lebih kecil dan lengkap dalam DFD Level ) dan DFD Level 1. Diagram untuk DFD level1 dapat dilihat pada Gambar 3.2 dan Gambar 3.3.
Diagram konteks data Kecamatan \
Input data Kandidat
Diagram konteks data Kandidat
Input data Waktu kampanye Diagram konteks data kandidat
Gambar 3.2 Diagram Konteks DFD Level 0
Gambar 3.3 Diagram Konteks DFD Level 1.1
Admin
Gambar 3.4 Diagram Konteks DFD Level 1.2
Data penjadwalan Nilai Fitnes Input crossover
Input Probabilitas
Gambar 3.5 Diagram Konteks DFD Level 1.3
3.5Rancangan Menu Sistem
Gambar 3.6 Struktur Menu Sistem
3.6.Rancangan Antarmuka
1. Rancangan Halaman Login
Username
Admin
Jadwal
Kampanye Tbl_jadwal
Login Halaman
Utama
Exit
Data
Penjadwalan
Admin Area
Proses Jadwal
Simpan Jadwal
CetakJadwal
Password
Login Cancel
Gambar 3.5 Rancangan Halaman Login
Halaman ini digunakan untuk masuk ke menu utama sistem. Pengguna diminta untuk mengisi Username dan Password.
2. Rancangan Halaman Utama
Penjadwalan Kampanye - x
Depan || Data || Penjadwalan || Admin Area
Anda Login Sebagai admin || date || time
Gambar 3.7 Rancangan Halaman Utama
Keterangan :
a. Menu depan yang digunakan admin untuk keluar
b. Menu data yang digunakan admin untuk menambah,menghapus, mengedit data Kecamatan
d. Menu admin area digunakan untuk menambah dan mengapus admin 3. Rancanangan halaman data kecamatan
X
Kabupaten Kecamatan
Gambar 3.8 Rancangan Halaman Data Kecamatan
Keterangan
a. Sub menu Kabupaten diisi dengan Id kabupaten/kota baru atau memilih kabupaten kota yang sudah ada
b. Sub menu Kecamatan diisi dengan kecamatan c. Sub menu save untuk menyimpan
d. Sub menu delete untuk mengapus e. Sub menu edit untuk mengubah f. Sub menu cancel untuk membatalkan g. Sub menu quit untuk keluar
4. Rencanan halaman menentukan tanggal kampanye
Mulai
Selesai
+
Save
Delete
Edit
Cancel
Quit
Gambar 3.9 Rancangan Halaman Menentukan tanggal pilkada
Keterangan
a. Mulai Tanggal Mulai Kampanye b. Selesai tanggal selesai kampanye
c. Sub menu Next untuk langkah selanjutnya
d. Sub menu Back untuk kembali kehalaman sebelumnya
5. Rencanan halaman tambah Kandidat
Tambah Kandidat Kode Kandidat
Nama Kandidat
Daftar Kandidat
Gambar 3.10 Rancangan Halaman Tambah Kandidat
Keterangan
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1 Implementasi Sistem
Pada tahap ini, algoritma genetika akan diimplementasikan ke dalam sistem dengan menggunakan Microsoft Visual Basic 2008 dan Database microsoft acces 2010 sesuai perancangan yang telah dilakukan.
4.1.1 Spesifikasi Perangkat Keras dan Perangkat Lunak yang Digunakan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun sistem ini adalah sebagai berikut:
1. Prosesor Intel® Core ™ 2 DuoCPU 2.00 GHz. 2. Kapasitas harddisk 320 GB.
3. Memory RAM yang digunakan 4.00 GB. 4. Sistem operasi Microsoft Windows 7 Ultimate. 5. Tools dari Microsoft Visual Basic 2008. 6. Database microsoft acces 2010.
4.1.2 Implementasi perancangan antarmuka
Adapun implementasi perancangan antarmuka yang telah dilakukan sebelumnya pada sistem adalah :
1. Halaman Login
Halaman Login adalah halaman yang digunakan oleh pengguna untuk dapat masuk ke dalam sistem Penjadwalan kampanye. Pengguna harus memasukkan username
Gambar 4.1. Halaman Login
2. Halaman Utama
Halaman Utama merupakan halaman yang pertama kali muncul ketika sistem berjalan. Pada halaman utama terdapat emat menu pilihan yang tampak pada Gambar 4.2.
Gambar 4.2. Halaman Utama
3. Halaman data kecamatan
Gambar 4.3. Halaman Data Kecamatan
4. Halaman menentukan tanggal kampanye
Halaman menentukan tanggal kampanye merukan halaman untuk menentukan priode tanggal kampanye pilkada provinsi atau kabupaten/kota. Halaman menentukan tanggal kampanye tampak pada gambar 4.4.
Gambar 4.4. Halaman menentukan Tanggal Kampanye
5. Halaman tambah kandidat
Gambar 4.5. Halaman Tambah Kandidat
6. Halaman Jadwal Kampanye
Gambar 4.6. Halaman Jadwal Kampanye
7. Halaman Proses penjadwalan
Gambar 4.7. Halaman Proses Jadwal
4.2. Pengujian Sistem
4.2.1 Rencana pengujian sistem
Adapun rancangan pengujian sistem yang akan diuji dengan teknik pengujian Black –Box dapat dilihat pada Tabel 4.1
Tabel 4.1 Rencana Pengujian
No. Komponen Sistem yang diuji Butir Uji
1. Login
Tombol “login” Tombol “Cancel”
Informasi kegagalan dalam melakukan
login
2. Halaman Data Kecamtan
Tombol “save” 3 Halaman Tentukan Tanggal Kampanye Input tanggal selesai
Tombol “Next” Tombol “Back”
Input ID kandidat 4 Halaman Tambah Kandidat Input nama kandidat
Tombol “+ Kandidat” Tombol “Next”
Tombol “Proses Jadwal”
7 Halaman Jadwal Kampanye Tombol “Simpan Jadwal”
Tombol “Cetak Jadwal” Tombol “Selesai”
4.2.2 Kasus dan hasil pengujian sistem
Berikut adalah kasus untuk menguji sistem yang dibangun menggunakan metode Black- Box berdasarkan rencana pengujian pada Tabel 4.1
No. Komponen
Sistem yang diuji
Skenario Uji Hasil yang
Diharapkan Apabila data login
benar.
Apabila data untuk
login salah dan tombol Cancel diklik. maka proses
login akan dibatalkan.
Masukkan data
Klik tombol Qoit. Ketika diklik tombol Quit maka
Input tanggal mulai Ketika tanggal mulai di input
Klik tombol next Ketika tombol next di pilih makan akan melanjutkan ke tahapan selanjutnya
Klik tombol back Ketika tombol
Input ID kandidat Ketika ID kandidatdi input,
Klik tombol next Ketika tombol next di pilih makan akan melanjutkan ke tahapan selanjutnya
5 Halaman Jadwal sudah bisa di cetak
Berasil
Klik tombol selesai Ketika diklik tombol selesai maka s akan keluar halaman tersebut
Berhasi
4.2.3 Hasil pengujian
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan pada hal-hal yang penulis telah bahas pada bab-bab sebelumnya, maka penulis menarik kesimpulan
1. Proses pembuatan jadwal kampanye calon kepala daerah dapat dilakukan dengan mengunakan algoritma genetika. Melalui operator yang digunakan dalam genetika yaitu seleksi, crossover, dan mutasi serta melewati tahap
pembangkitan awal dan evaluasi fungsi fitness sehingga jadwal yang dihasilkan dapat optimal sesuai yang di rencanankan
2. Keluaran output dari aplikasi sistem penjadwalan kegiatan ini berupa jadwal kampanye pilkada yang tidak bentrok dan dapat memudahkan dalam penetapan jadwal kegiatan kampanye pilkada kabupaten Langkat
3. Pelaksaan jadwal kampanyekabupaten Langkat tidak mengalami
keterlambatan karena tidak adanya kesalahan-kesalahan dalam melakukan penjadwalan
5.2. Saran
1. Untuk penelitian selanjutnya diharapkan pembuatan jadwal kegiatan menggunakan data yang lebih banyak misal : kampanye pemilu atau kampanye pilpres
