DAFTAR PUSTAKA
Aryawarman, Q. S., & Setiawan, R., 2007. Sistem Penjadwalan Iklan Pada Radio Megantara Fm Nganjuk Dengan Algoritma Dynamic Priority Schedulling. Prosiding Seminar Nasional Sistem & Teknologi Informasi (SNASTI), 22 Agustus 2007.
Fariza, A., Martiana, E., Sucipto H., 2006. Aplikasi Algoritma Genetika Multi Obyektif pada Traveling Salesman Problem. Politeknik Elektronika Negeri Surabaya ITS.
Fitrah, Aulia, Achmad Zaky, Fitrasani. Penerapan Algoritma Genetika pada Persoalan Pedagang Keliling (TSP). Institut Teknologi Bandung: Program Studi Informatika, Sekolah Teknik Elektro dan Informatika
Gen, M. dan Cheng, R. 1997. Genetic Algorithms and Engineering Design. Newyork: Jhon Wiley & Sons, Inc.
Goldberg, D. E. 1989. Genetic Algorithms in Search, Optimization and Machine Learning. Canada: Addison-Wesley Publishing.
Indira K & Kanmani, 2012. Performance Analysis of Genetic Algorithm for Mining Association Rules. International Journal of Computer Science Issues, Vol. 9, Issue 2, No 1, March 2012. Department of CSE, Pondicherry Engineering College Puducherry, 605014, India.
Karegowda, A. G., Manjunath, A.S. & Jayaram, M.A., 2011. Application of genetic algorithm Optimized neural network Connection weights for medical Diagnosis of pima Indians diabetes, International Journal on Soft Computing (IJSC), Vol.2, No.2, May 2011. Dept. of Master of Computer Applications, Siddaganga Institute of Technology, Tumkur, India.
Lukas S., Anwar T., Yuliani W. (2005). Penerapan Algoritma Genetika untuk Traveling Salesman Problem dengan Menggunakan Metode Order Crossover dan Insertion Mutation. Seminar Nasional Aplikasi Teknologi Informasi 2005 : I-2. Nugraha, Ivan. 2008. “Aplikasi algoritma genetik untuk optimasi penjadwalan kegiatan belajar mengajar”. Dalam Strategi Algoritmik 2008. Bandung, Indonesia: Institut Teknologi Bandung.
Obitko, Marek. (1998). Introduction To Genetic Algorithms. University of Applied Sciences.
Sofge, D. A, 2002. Using Genetic Algorithm Based Variable Selection to Improve Neural Network Models for Real-World Systems. Proceedings of the 2002 International Conference on Machine Learning 7 Applications. Navy Center for Applied Research in Artificial Intelligence Naval Research Laboratory Washington, D.C., U.S.A.
Soraya, D.T. 2007. Penjadwalan Perkuliahan Dengan Pendekatan Constraint Programming. Skripsi. Jakarta, Indonesia : Fakultas Ilmu Komputer Universitas Indonesia.
BAB 3
ANALISIS DAN PERANCANGAN
3.1 Identifikasi Masalah padaPenjadwalan Iklan Radio
Penjadwalan iklan adalah masalah menempatkan waktu dan ruangan kepada sejumlah iklan dengan beberapa variabel tanggal, jam, menit, durasi dan frekuensi pemutaran penempatan waktu kepada iklan dengan memperhatikan sejumlah aturan yang berhubungan dengan kapasitas dan lokasi dari ruangan yang tersedia, waktu bebas yang diperlukan dan sejumlah aturan lain yang berkaitan. Komponen-komponen utama dari penjadwalan sebuah iklan adalah tanggal, jam, menit, durasi dan frekuensi pemutaran yang ditawarkan. Hasil dari proses penjadwalan merupakan pengelompokan komponen-komponen utama secara bersama-sama dengan memperhatikan aturan-aturan yang telah ditetapkan dalam penjadwalan.
Pada penjadwalan Iklan Radio yang akan dibahas pada penelitian ini adalah pemutaran iklan yang dilakukan pada jadwal siar radio yaitu antara jam 5 pagi sampai jam 24 malam dengan aturan setiap 15 menit disediakan 3 slot pemutaran iklan dengan durasi per iklan maksimum 1 menit. Jadi jika waktu siar radio per hari ada 19 jam, maka jumlah maksimum iklan per hari yang dapat ditayangkan adalah 76 iklan.
Aturan lainnya adalah diberlakukannya Prime Time yaitu jam-jam di mana masyarakat umum (pendengar) mempunyai peluang terbesar mendengarkan radio yaitu antara jam 6:00-10:00 pagi dan jam 16:00-20:00 malam. Jumlah pemutaran iklan yang sama pada satu hari dibatasi untuk Prime Time yaitu 5 kali, sedangkan untuk regular time 8 kali.
3.1.1 Arsitektur Umum
Proses algorima genetika
Gambar 3.1 Arsitektur umum
Input genetika adalah parameter genetika, tanggal pemutaran, data Iklan serta jumlah putar. Hasil output berupa elemen genetika yang berupa jadwal pemutaran iklan.
3.1.2 Algoritma Genetika untuk Penjadwalan Iklan Radio
Dalam proses penjadwalan iklan, ada beberapa hal penting yang harus dilakukan untuk penerapan agoritma genetika seperti pengkodean kromosom, membangkitkan populasi awal, proses seleksi, proses crossover, proses mutasi sampai dengan proses perulangan regenerasi memenuhi syarat atau tidak.
3.1.3 Representasi Kromosom
Algoritma genetika dalam masalah penjadwalan diperlukan representasi kromosom. Output
Jika Fitness Rata-rata = 1 atau Kromosom ber
matriks merepresentasikan jumlah iklan, sedangkan n atau kolom pada matriks merepresentasikan kromosom yaitu IDIklan, IDHari dan IDWaktu. Representasi kromosom mendefinisikan jumlah dari gen yang digunakan dan dapat mewakili solusi dari masalah. Dalam menentukan sebuah solusi permasalahan yang timbul diwakili dengan satu set parameter. Parameter ini dinamakan gen yang bersatu untuk membentuk kromosom.
Untuk setiap kromosom mengkodekan IDIklan, IDHari dan IDWaktu. Pemutaran iklan yang dilakukan pada jadwal siar radio yaitu antara jam 5 pagi sampai jam 24 malam dengan aturan setiap 15 menit disediakan 3 slot yaitu pada menit ke 15, 30 dan 45 pada setiap jam. Pada masing-masing slot iklan dilakukan pemutaran 3 iklan dengan durasi per iklan maksimum 1 menit. Jadi jika waktu siar radio per hari ada 19 jam, maka jumlah maksimum iklan per tanggal putar yang dapat ditayangkan adalah 19 jam x 3 slot x 3 iklan menjadi 171 iklan. Jadi panjang kromosom itu sendiri dari satu individu adalah sebanyak 171 kromosom dari jumlah iklan yang akan disiarkan. Sedangkan panjang satu kromosom terdiri dari 3 gen. Populasi awal tersebut kemudian dibangkitkan secara acak untuk selanjutnya dilakukan proses evaluasi setiap kromosomnya. Representasi kromosom dalam penelitian ini dapat dijelaskan pada Tabel 3.1.
Tabel 3.1 Representasi Kromosom
Kromosom IDIklan IDHari IDWaktu
1 0022 5 03
Dari tabel 3.1 diatas, dapat dijelaskan pada matriks baris pertama dan kolom pertama yaitu: Kromosom 1 berisikan IDIklan = 0022 (Iklan-1), IDhari = 5 dan IDWaktu = 03. Representasi kromosom jadwal penyiaran iklan dibuat secara acak dengan cara sebagai berikut:
3. Acak nilai gen IDWaktu dari 01 sampai 99 (Jam 05:15-24:00) 4. Jumlah Pemutaran iklan sesuai permintaan.
Simpan nilai gen kromosom yang terdiri dari IDIklan, IDHari dan IDWaktu yang telah diacak ke dalam tabel kromosom.
3.1.4 Inisialisasi Populasi
Proses inisialisasi populasi dibuat dengan cara membangkitkan populasi acak tanpa memperhatikan nilai fungsi Fitness. Proses ini merupakan proses yang mengkodekan informasi data ke dalam slot kromosom. Inisialisasi populasi dibuat secara acak dari slot kromosom untuk beberapa jumlah individu dalam satu populasi. Adapun tahapan proses dari inisialisasi populasi adalah sebagai berikut:
1. Inisialisasi dibuat dengan memasukkan nilai parameter genetika yaitu populasi awal.
2. Populasi awal = n (jumlah individu).
3. Inisialisasi populasi dibuat dari representasi kromosom sebanyak n.
Inisialisasi populasi dalam penelitian ini berupa individu Prime Time dapat dilihat seperti pada Tabel 3.2.
Tabel 3.2 Representasi Kromosom Individu Prime Time Kromosom IDIklan IDHari IDWaktu
1 0022 3 12
Tabel 3.3 Representasi Kromosom Individu Reguler Time Kromosom IDIklan IDHari IDWaktu
1 0005 1 11
3.1.5 Evaluasi Fitness
Fitness akan dihitung berdasarkan jumlah aturan yang dilanggar pada setiap slot kromosom dalam suatu individu. Fitness dapat dihitung melalui rumus persamaan 3.1 di bawah ini (Lee, 2000).
Fitness=1/(1+(Aturan1+Aturan2)……….……….…. (3.1) Aturan yang dimaksud pada penelitian ini yaitu:
1. Aturan 1 adalah tidak boleh terjadi adanya jumlah pemutaran per iklan lebih dari 5 kali dalam satu hari
2. Aturan 2 adalah tidak boleh terjadi adanya dua atau lebih penjadwalan iklan yang ditayangkan pada hari dan waktu yang sama.
Setelah proses inisialisasi populasi, dalam satu individu dapat dihitung Fitness berdasarkan pelanggaran aturan yang terjadi dari setiap kromosom. Evaluasi Fitness dalam 1 populasi dapat dilihat pada Tabel 3.4 di bawah ini:
Tabel 3.4 Populasi (Prime Time)
Pengecekan pelanggaran aturan pada individu pertama pada tabel 3.4, dapat dilihat terjadinya pelanggaran aturan oleh kromosom 2 dengan kromosom 1. Di mana pada hari dan waktu yang sama terjadi bentrokan pada sisi hari ke 3 dan waktu ke-12. Adapun tahapan proses dari evaluasi Fitness adalah sebagai berikut:
Setiap kromosom dalam satu individu di cek masing-masing nilai gen IDIklan, IDHari dan IDWaktu terkena pelanggaran aturan atau tidak dengan cara mengecek dari kromosom 1 sampai dengan kromosom 504 untuk jenis waktu pemutaran Prime Time dan 693 untuk jenis waktu pemutaran Regular Time. Hitung jumlah kromosom yang terkena pelanggaran aturan dibagi dengan total jumlah kromosom 504 atau 693.
Pseudocode Seleksi adalah langkah program untuk menghitung nilai Fitness berdasarkan jumlah pelanggaran aturan untuk setiap kromosom.
Gen IDIklanIklan_input Gen IDHarihari_input Gen IDWaktuWaktu_input
KromosomIDIklan, IDHari, IDWaktu JumPutar_perIDIklansum(IDIklan) If Prime_Time True then
If JumPutar_perIDIklan> 5 then Aturan_1 1
Else
Aturan 0 End if
ElseIF Prime_Time True then Aturan_1 0
End if
If IDHari1 = IDHari2 then
3.1.6 Seleksi
Dalam penelitian ini, metode yang digunakan adalah seleksi roda roulette (roulette wheel selection). Pada seleksi ini, orang tua yang akan dipilih berdasarkan nilai Fitness yang dimilikinya, semakin besar nilai Fitnessnya akan mendapatkan kemungkinan yang lebih besar untuk terpilih sebagai induk. Nilai Fitness pada tabel 3.2, di dapat dari persamaan rumus 3.1. Besarnya kemungkinan bagi setiap kromosom adalah tergantung dari nilai Fitness-nya seperti pada Tabel 3.5:
Tabel 3.5 Nilai Fitness
Individu (n) Fitness Persentase (%) 1 0.33 6.4
Persentase dapat dihitung melalui rumus persamaan 3.2 di bawah ini.
Persentase = ………..………. (3.2)
Pada table dapat dilihat probabilitas terpilihnya individu untuk dilakukan proses seleksi. Individu 8 memiliki probabilitas yang terbesar dengan 19,4 % terpilih sebagai induk pertama untuk pembentukan keturunan baru pada pemilihan individu untuk proses crossover kromosom. Dan individu 9 dengan probabilitas 19,4 % terpilih sebagai induk kedua untuk pembentukan keturunan baru pada pemilihan individu untuk proses crossover kromosom.
3.1.7 Crossover
mengkombinasikan gen-gen induk untuk menghasilkan keturunan baru. Crossover yang digunakan pada penilitian ini adalah crossover satu titik. Pada crossover ini dilakukan dengan cara menukar nilai gen pada posisi gen yang sama dari kedua induk. Berikut ini adalah tahapan proses crossover kromosom dua individu induk dengan menukarkan nilai gen IDHari, IDWaktu:
Kromosom 1 Induk 1:
Kromosom8 0006 3 22
Kromosom 1 Induk 2:
Kromosom 9 0010 1 14
Dan berikut ini adalah hasil generasi proses crossover dari dua individu induk:
Anak 1 Induk 1
0006 1 14 Anak 1 Induk 2
0010 3 22
Gambar 3.2 Ilustrasi Crossover Satu Titik
Pseudocode Crossover adalah langkah program untuk melakukan kawin silang antar 2 pasang kromosom yang terpilih berdasarkan nilai Fitness yang terbesar.
Jum_IndividuSum(Individu)
Jum_Pasangan_kromosomJum_Individu / 2 For X = 1 to Jum_Pasangan_kromosom
Kromosom_1 Kromosom_Fitness_Desc1 (IDIklan1, IDHari1, IDWaktu1) Kromosom_2 Kromosom_Fitness_Desc2 (IDIklan2, IDHari2, IDWaktu2) Kromosom_Anak_1 IDIklan1, IDHari2, IDWaktu2
Kromosom_Anak_2 IDIklan2, IDHari1, IDWaktu1 Next
3.1.8 Mutasi
disisipkan ke posisi yang lain. Kromosom yang bermutasi dipilih secara acakdan kedua gen yang ada yaitu IDHari dan IDWaktu dipilih secara acak juga. Mutasi akan dilakukan dengan cara memilih secara acak dua posisi gen dari kromosom dan kemudian nilainya diganti dengan nilai acak juga. Berikut ini adalah tahapan proses mutasi kromosom dua individu induk dengan menukarkan gen IDWaktu. Kromosom terpilih secara acak sebanyak nilai probabilitas mutasi adalah sebagai berikut:
Kromosom Acak pada IDWaktu:
Kromosom IDIklan IDHari IDWaktu
2 0006 3 12
Nilai gen IDHari dan IDWaktu dipilih secara acak, misalnya terpilih IDWaktu, selanjutnya cari IDWaktu secara acak antara 1 sampai 72 yaitu jumlah waktu dalam satu hari. Sebagai contoh terpilih nilai 51, maka kromosom hasil mutasi diperoleh sebagai berikut:
Kromosom IDIklan IDHari IDWaktu
2 0006 3 51
Gambar 3.3 Kromosom hasil mutasi IDWaktu
Kromosom Acak pada IDHari:
Kromosom IDIklan IDHari IDWaktu
2 0006 3 12
Jika terpilih IDHari, selanjutnya cari IDHari secara acak antara 1 sampai 7 yaitu mewakili hari senin sampai minggu. Sebagai contoh terpilih nilai 7, maka kromosom hasil mutasi diperoleh seperti pada Gambar 3.4.
Kromosom IDIklan IDHari IDWaktu
2 0006 7 12
Gambar 3.4 Kromosom hasil mutasi IDHari
Jum_IndividuSum(Individu)
Jum_Kromosom_MutasinumProbaMutasi * (Jum_Individu x 2) KromosomAcakrand(0 to Jum_Kromosom_Mutasi)
For X = 1 to Jum_Kromosom_Mutasi
NumGenAcakKromosomAcak( IDHari, IDWaktu) NumGenAcak=rand(1,2)
If NumGenAcak=1 then GenAcak “IDHari” IDHari_Acakrand(1,7)
IDGenAcakIDHari_Acak IDHariIDGenAcak
Kromosom_MutasiKromosomAcak (IDIklan, IDHari, IDWaktu) ElseIfNumGenAcak=2 then
GenAcak “IDWaktu” IDWaktu_Acakrand(1,171)
IDGenAcakIDWaktu_Acak IDWaktuIDGenAcak
Kromosom_MutasiKromosomAcak (IDIklan, IDHari, IDWaktu) Endif
Next
3.2 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 iklan dengan menggunakan algoritma genetika, tahap perancangan yang dilakukan mencakup perancangan data, skema relasi, rancangan antarmuka (interface), rancangan prosedural berupa rancangan bagan alir (flowchart).
3.2.1 Rancangan Data
diperlukan. Karena untuk menyusun jadwal iklan, penulis membutuhkan komponen data yang disimpan dalam bentuk database menggunakan tools MySQL.
3.2.1.1 Struktur Tabel
Didalam pembuatan program dibutuhkan suatu tempat media penyimpanan data yang berupa tabel untuk dapat melakukan kegiatan-kegiatan dalam pengaturan pencarian data.Oleh karena itu, sistem pengolahan data ini membutuhkan spesifikasi tabel.Tabel-tabel yang penulis gunakan yaitu tabel.Tabel-tabel User, Iklan, Waktu,JamPutar, JadwalRTFix serta JadwalRGFix untuk menjalankan proses penjadwalan menggunakan algoritma genetika. Tabel-tabel tersebut, yaitu:
1. Tabel User
Tabel User berfungsi untuk menyimpan informasi tentang pengguna aplikasi penjadwalan radio. Struktur tabel User dapat dilihat seperti pada Tabel 3.6.
Tabel 3.6 Tabel User
Nama Field Jenis Ukuran Keterangan
UserID varchar 20 Nama User
Passwd varchar 10 Password User
2. Tabel Iklan
Tabel Iklan berfungsi untuk menyimpan informasi tentang iklan yang akan diputar pada stasiun radio. Struktur tabel Iklan dapat dilihat seperti pada Tabel 3.7.
Tabel 3.7 Tabel Iklan
Nama Field Jenis Ukuran Keterangan
IDIklan Integer 4 Nomor urut iklan
NmIklan Varchar 50 Nama Iklan
Pemilik Varchar 100 Pemilik Iklan
TglPutar Datetime 8 Tanggal pemutaran
JamPutarPT Integer 3 Jumlah jam pemutaran primetime JamPutarRT Integer 3 Jumlah jam pemutaran regular time
3. Tabel Waktu
Tabel Waktu berfungsi untuk menyimpan informasi tentang Waktu pemutaran iklan pada stasiun radio.Struktur tabel Waktu dapat dilihat seperti pada Tabel 3.8.
Tabel 3.8 Tabel Waktu
Nama Field Jenis Ukuran Keterangan
IDWaktu Integer 2 Nomor urut waktu
Waktu varchar 15 Nama waktu
4. Tabel JamPutar
Tabel JamPutar berfungsi untuk menyimpan informasi jam-jam pemutaran iklan dalam satu hari kerja. Struktur tabel JamPutar dapat dilihat seperti pada Tabel 3.9.
Tabel 3.9 Tabel JamPutar
Nama Field Jenis Ukuran Keterangan
IDJamPutar Integer 2 Nomor urut Jam Putar iklan
IDWaktu Integer 2 Nomor urut waktu
Keterangan varchar 100 Keterangan
TglPutar datetime 8 Tanggal pemutaran
5. Tabel JadwalRTFix
Tabel JadwalRTFix berfungsi untuk menyimpan informasi tentang hasil proses penjadwalan iklan waktu Regular Time pada stasiun radio. Struktur tabel JadwalRTFix dapat dilihat seperti pada Tabel 3.10.
Tabel 3.10 Tabel JadwalRTFix
Nama Field Jenis Ukuran Keterangan
IDJadwal Integer 2 Nomor urut jadwalan iklan
TglPutar datetime 8 Tanggal pemutaran
IDIklan Integer 4 Nomor urut iklan
IDJamPutar Integer 2 Nomor urut Jam Putar iklan
Kromosom varchar 7 kromosom
6. Tabel JadwalPTFix
Tabel 3.11 Tabel JadwalPTFix
Nama Field Jenis Ukuran Keterangan
IDJadwal Integer 2 Nomor urut jadwalan iklan
TglPutar datetime 8 Tanggal pemutaran
IDIklan Integer 4 Nomor urut iklan
IDJamPutar Integer 2 Nomor urut Jam Putar iklan
Kromosom varchar 7 kromosom
3.2.1.2 Relasi Antar Tabel
Relasi antar tabel merupakan pengelompokkan data menjadi tabel-tabel yang menunjang entitas dan relasi yang berfungsi untuk mengakses data item dari setiap database. Relasi antar tabel untuk sistem yang akan dibuat dapat dilihat pada Gambar 3.5 berikut ini.
3.2.2 Flowchart Sistem
Flowchart Sistem penjadwalan iklan dapat dilihat pada Gambar 3.6.
Gambar 3.6 Flow Chart Rancangan Sistem Keterangan:
a. Input Data Iklan
Input data iklan adalah pemasukan informasi iklan berupa nama iklan, tanggal pemutaran serta nama pemilik iklan.
b. Inisialisasi Jadwal Iklan
Proses penentuan aturan-aturan pemutaran iklan yaitu antara jam 5 pagi sampai dengan jam 24 WIB. Aturan lain adalah jumlah pemutaran iklan pada waktu Prime Time maupun Reguler Time.
d. Masukkan iklan pada jadwal iklan radio
Proses ini berfungsi untuk memasukkan iklan pada jadwal iklan yang telah diinisialisasi.
e. Tampilkan jadwal iklan
Hasil proses penjadwalan dapat ditampilkan pada layar komputer atau dicetak pada printer.
3.2.3 Perancangan Antarmuka (interface)
Perancangan antar muka adalah rancangan tampilan yang menghubungkan pengguna (user) dengan komputer dengan bantuan program. Salah satu syarat pembuatan antar muka adalah berorientasi pada kemudahan dalam penggunaannya (user friendly) serta informatif.
3.2.3.1 Rancangan Menu Utama
Gambar 3.7 Rancangan Menu Utama
3.2.3.2 Rancangan Login
Rancangan Login berfungsi untuk pemasukan hak akses aplikasi penjadwalan iklan pada radio komersial. Rancangan Login dapat dilihat pada Gambar 3.8.
Gambar 3.8 Rancangan Login
3.2.3.3 Rancangan Data Iklan
Rancangan Data Iklan berfungsi untuk pemasukan informasi iklan yang akan dijadwal oleh stasiun radio komersial. Rancangan Data Iklan dapat dilihat pada Gambar 3.9.
Password
xxxxxxxxx
Ok UserID
Cancel
Gambar 3.9 Rancangan Data Iklan Keterangan:
Data yang dimasukkan adalah tanggal pendaftaran, nama iklan, nama pemilik iklan, jumlah jam putar Prime Time dan Reguler Time.
3.2.3.4 Rancangan Data User
Rancangan Data User berfungsi untuk pemasukan informasi nama-nama pengguna aplikasi penjadwalan radio. Rancangan Data User dapat dilihat pada Gambar 3.10 dibawah ini.
Gambar 3.10 Rancangan Data User
Tanggal Daftar dd-mm-yyyy
DATA IKLAN
Jam Putar Prime Time xxx Jam Putar Reguler Time xxx
3.2.3.5 Rancangan Pemasukan Iklan
Rancangan Pemasukan Iklan ini berfungsi untuk memilih iklan yang akan dijadwalkan sesuai dengan jenis waktu pada stasiun radio komersial. Rancangan Pemasukan Iklan dapat dilihat pada Gambar 3.11 dibawah ini.
Gambar 3.11 Rancangan Pemasukan Iklan
Keterangan:
1 : ListBox untuk menampilkan semua data iklan yang sudah dimasukkan. 2 : ListBox untuk menampilkan data iklan yang sudah dipilih.
3 : Label untuk menampilkan total iklan yang sudah dipilih. 4 : Label untuk menampilkan jumlah maksimal iklan. Jumlah jam putar maksimum 35 untuk setiap iklan.
3.2.3.6 Rancangan Penjadwalan
Gambar 3.12 Rancangan Penjadwalan
Keterangan:
Pilih tombol Ok setelah pengisian tanggal Putar, dan Save untuk menyimpan hasil penjadwalan. Tombol Stop jika hendak menghentikan proses.
3.2.3.7 Rancangan Rule
Rancangan Rule berfungsi untuk melakukan penghapusan secara manual hasil penjadwalan yang telah diperoses sesuai dengan aturan pada penjadwalan iklan pada masing-masing Radio. Rancangan Rule dapat dilihat pada Gambar 3.13.
Tanggal Putar dd-mm-yyyy
Save 9999
Populasi Awal Hasil Penjadwalan
999
Stop Listing proses
Gambar 3.13 Rancangan Rule
3.2.3.8 Rancangan Pergeseran Manual
Rancangan Pergeseran Manual berfungsi untuk melakukan penyisipan jadwal yang sudah dihapus pada rule diatas ke dalam jadwal yang lain yang tidak melanggar rule penjadwalan iklan pada masing-masing Radio secara manual. Rancangan Pergeseran Manual dapat dilihat pada Gambar 3.14 pada halaman 47.
Gambar 3.14 Rancangan Pergeseran Manual
Tanggal Putar dd-mm-yyyy View Jadwal
Data Penjadwalan
Data Penjadwalan Hasil Rule
Nama Iklan xxxxxxxxxxxxxx Pemilik xxxxxxxx
Jumlah Pemutaran xxxx
Hari xxxx
PrimeTime
No Yes
3.2.3.9 Rancangan Menu Cetak
RancanganMenu Cetak berfungsi untuk menampilkan hasil proses penjadwalan iklan per tanggal putar serta jenis waktunya yang akan dijadwal oleh stasiun radio komersial. Rancangan Menu Cetak dapat dilihat pada Gambar 3.15 dibawah ini.
Gambar 3.15 Rancangan Menu Cetak 3.2.3.10 Rancangan Laporan Penjadwalan
Rancangan Laporan Penjadwalan berfungsi untuk menampilkan hasil proses penjadwalan secara Reguler Time atau Prime Time dengan algoritma genetika. Rancangan Laporan Penjadwalan dapat dilihat seperti pada Tabel 3.12 pada halaman 48.
Tabel 3.12 Rancangan Laporan Penjadwalan
JADWAL PEMUTARAN IKLAN RADIO REGULER/PRIME TIME Tanggal: dd-mm-yyyy
No Nama Iklan Pemilik Waktu
xx xxxxxxxxxxxx xxxxxxxxxxxx xxxxxxxxxxx xx xxxxxxxxxxxx xxxxxxxxxxxx xxxxxxxxxxx xx xxxxxxxxxxxx xxxxxxxxxxxx xxxxxxxxxxx xx xxxxxxxxxxxx xxxxxxxxxxxx xxxxxxxxxxx xx xxxxxxxxxxxx xxxxxxxxxxxx xxxxxxxxxxx
Keterangan:
No : Nomor urut iklan
Nama Iklan : Informasi identitas iklan Pemilik : Nama pemilik iklan Hari : Nama hari pemutaran Waktu : Waktu pemutaran iklan
Tanggal Putar dd-mm-yyyy
Keluar Cetak
Prime Time
No Yes
3.2.3.11 Rancangan Pengujian
Rancangan Pengujian berfungsi untuk menampilkan informasi parameter genetika pada proses penjadwalan iklan dengan algoritma genetika. Rancangan Pengujian dapat dilihat seperti pada Tabel 3.13 di bawah ini.
Tabel 3.13 Rancangan Pengujian Parameter Genetika No Jumlah
Populasi
Fitnes Rata
Probabilitas Crossover
Probabilitas Mutasi
Iterasi Optimum
Maks Iterasi
Persentase Optimum
1 xxx xxx xxx xxx xxx xxx xxx
2 xxx xxx xxx xxx xxx xxx xxx
3 xxx xxx xxx xxx xxx xxx xxx
4 xxx xxx xxx xxx xxx xxx xxx
5 xxx xxx xxx xxx xxx xxx xxx
6 xxx xxx xxx xxx xxx xxx xxx
7 xxx xxx xxx xxx xxx xxx xxx
8 xxx xxx xxx xxx xxx xxx xxx
9 xxx xxx xxx xxx xxx xxx xxx
BAB 4
IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi
Setelah perangkat lunak Penjadwalan Iklan Pada Stasiun Radio Komersial Menggunakan Algoritma Genetika selesai dibangun, maka tahap selanjutnya adalah tahap implementasi yaitu tahap pengujian sistem dengan pemasukan data iklan yang akan diputar serta menjalankan proses penjadwalan sampai diperolehnya informasi penjadwalan iklan.
4.1.1 Tampilan Menu Utama
Tampilan Menu Utama merupakan tampilan yang berfungsi untuk menampilkan menu Otoritas, File, Proses Penjadwalan, Pergeseran Jadwal, Cetak, Help, About serta tombol Exit untuk menutup tampilan dan kembali ke sistem Windows. Tampilan Menu Utama dapat dilihat pada Gambar4.1.
4.1.2 Tampilan Login
Tampilan Login berfungsi untuk melakukan otoritas pengguna sistem perangkat lunak Penjadwalan Iklan Pada Stasiun Radio Komersil Menggunakan Algoritma Genetika. Tampilan Login dapat dilihat pada Gambar 4.2.
Gambar 4.2 Tampilan Login
Pada Gambar 4.2 tampilan Login dengan input User name dan Password serta tombol Ok dan Cancel.
4.1.3 Tampilan Data Iklan
Tampilan data iklan berfungsi untuk melakukan pemasukan informasi iklan ke dalam database.Tampilan data iklan dapat dilihat pada Gambar 4.3.
4.1.4 Tampilan Data User
Tampilan Data User berfungsi untuk melakukan pemasukan nama pengguna yang mengoperasikan aplikasi penjadwalan iklan. Tampilan Data User dapat dilihat seperti pada Gambar 4.4.
Gambar 4.4 Tampilan Data User
4.1.5 Tampilan Pemasukan Iklan
Tampilan Pemasukan iklan berfungsi untuk melakukan pemasukan order iklan sesuai dengan ketentuan. Tampilan Pemasukan Iklan dapat dilihat pada Gambar 4.5.
4.1.6 Tampilan Proses Penjadwalan
Tampilan Proses Penjadwalan berfungsi untuk memproses iklan menjadi jadwal iklan yang akan ditayangkan oleh stasiun radio. Tampilan Proses Penjadwalan dapat dilihat seperti pada Gambar 4.6.
Gambar 4.6 Tampilan Penjadwalan
Pada Gambar 4.6 dilakukan pemrosesan data iklan sebanyak 50 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 0.70, probabilitas mutasi 0.1 jumlah maksimum iterasi sebanyak 100 diperoleh fitnes rata-rata sebesar 1 dan jumlah individu yang optimal sebanyak 100% pada iterasi ke 4.
4.1.7 Tampilan Rule
Tampilan 4.7 Tampilan Rule
4.1.8 Tampilan Pergeseran Manual
Tampilan Pergeseran Manual berfungsi untuk memasukkan data penjadwalan yang telah dihapus pada proses Rule kedalam penjadwalan agar sesuai dengan rule pemutaran iklan pada stasiun radio. Tampilan Pergeseran Manual dapat dilihat seperti pada Gambar 4.8.
4.1.9 Tampilan Laporan Penjadwalan Prime Time
Tampilan Laporan Penjadwalan Prime Time berfungsi untuk menampilkan informasi hasil proses penjadwalan iklan radio pada waktu Prime Time. Tampilan Laporan Penjadwalan Prime Time dapat dilihat seperti pada Gambar 4.9.
Gambar 4.9 Tampilan Laporan Penjadwalan Prime Time
4.1.10 Tampilan Laporan Penjadwalan Regular Time
Tampilan Laporan Penjadwalan Regular Time berfungsi untuk menampilkan informasi hasil proses penjadwalan iklan radio pada waktu Regular Time. Tampilan Laporan Penjadwalan Regular Time dapat dilihat seperti pada Gambar 4.10.
4.2 Pengujian Penjadwalan dengan Variasi Parameter Genetika
Algoritma genetika berfungsi untuk menghasilkan jadwal yang terbaik. Pada tahap pengujian, untuk dapat menghasilkan pengujian dilakukan dengan cara memasukkan nilai inputan parameter genetika yang bervariasi. Hasil perbandingan pengujian penjadwalan dengan waktu Regular Time dapat dilihat pada Tabel 4.1.
Tabel 4.1 Tampilan Pengujian Parameter Genetika Pada Waktu Regular Time No Jumlah
Dari tabel 4.1 di atas diperoleh tingkat rata-rata persentase optimum atau jadwal yang tidak bentrok adalah 83,79%. Dari hasil pengujian diatas dapat dilihat bahwa semakin besar jumlah individu yang diuji antara 50 sampai dengan 500, maka nilai fitnes rata-rata akan semakin menurun antara 1 sampai 0,70 dan juga persentase optimum yaitu persentase jadwal yang tidak bentrok juga semakin menurun antara 100% sampai 71%.
4.3 Tampilan Pengujian Data Penjadwalan
a. Pengujian dengan 50 Iklan untuk tanggal 12/01/2016
Gambar 4.11 Tampilan Pengujian Penjadwalan 50 Iklan
Pada Gambar 4.13 dilakukan pemrosesan data iklan sebanyak 50 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 1 dan persentase optimum sebanyak 100% pada iterasi ke 4 dengan lama waktu proses 6 detik.
b. Pengujian dengan 100 Iklan untuk tangga 12/01/2015
Pada Gambar 4.14 dilakukan pemrosesan data iklan sebanyak 100 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,95 dan jumlah individu yang optimal sebanyak 93% pada iterasi ke 285 dengan lama waktu proses 12 menit 11 detik.
c. Pengujian dengan 200 Iklan untuk tanggal 13/01/2015
Gambar 4.13 Tampilan Pengujian Penjadwalan 200 Iklan
d. Pengujian dengan 250 Iklan untuk tanggal 12/01/2015
Gambar 4.14 Tampilan Pengujian Penjadwalan 250 Iklan
Pada Gambar 4.16 dilakukan pemrosesan data iklan sebanyak 250 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,92 dan jumlah individu yang optimal sebanyak 84% pada iterasi ke 342 dengan lama waktu proses 1 jam 17 menit 55 detik.
e. Pengujian dengan 300 Iklan untuk tanggal 12/01/2015
Gambar 4.15 Tampilan Pengujian Penjadwalan 300 Iklan
probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,92 dan jumlah individu yang optimal sebanyak 83,33% pada iterasi ke 107 dengan lama waktu proses 32 menit 37 detik.
f. Pengujian dengan 350 Iklan untuk tanggal 12/01/2015
Gambar 4.16 Tampilan Pengujian Penjadwalan 350 Iklan
Pada Gambar 4.18 dilakukan pemrosesan data iklan sebanyak 350 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,90 dan jumlah individu yang optimal sebanyak 79,43% pada iterasi ke 382 dengan lama waktu proses 2 jam 33 detik.
g. Pengujian dengan 400 Iklan untuk tanggal 12/01/2015
Pada Gambar 4.19 dilakukan pemrosesan data iklan sebanyak 400 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,88 dan jumlah individu yang optimal sebanyak 76,75% pada iterasi ke 1000 dengan lama waktu proses 5 jam 37 menit 34 detik.
h. Pengujian dengan 450 Iklan untuk tanggal 12/01/2015
Gambar 4.18 Tampilan Pengujian Penjadwalan 450 Iklan
i. Pengujian dengan 500 Iklan untuk tanggal 12/01/2015
Gambar 4.19 Tampilan Pengujian Penjadwalan 500 Iklan
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Setelah merancang dan mengaplikasikan perangkat lunak Penjadwalan Iklan Pada Stasiun Radio Komersial Menggunakan Algoritma Genetika, maka diperoleh hasil pengujian adalah sebagai berikut:
a. Algoritma genetika dapat digunakan untuk penjadwalan iklan radio dengan jenis waktu prime maupun regular time.
b. Algoritma genetika sangat dipengaruhi fungsi acak, sehingga tidak selalu hasil yang diperoleh pada suatu proses penjadwalan iklan menghasilkan yang paling optimal.
c. Dengan algoritma genetika program dapat mencari solusi penjadwalan iklan radio dengan waktu yang lebih cepat.
d. Hasil pengujian dengan inputan nilai parameter genetika yang sama atau berbeda, proses penjadwalan menghasilkan nilai persentase optimum yang berbeda-beda hal ini disebabkan karena fungsi random.
e. Probablilitas crossover yang digunakan sebesar 70 % dan probabilitas mutasi yang digunakan adalah 10%.
f. Operator genetika yang digunakan dalam penelitian ini adalah crossover satu titik potong, insertion mutation karena lebih sesuai pada representasi kromosom dan inisialisasi populasi pada saat membangkitkan populasi awal. g. Makin besar populasi atau data iklan yang dijadwalkan maka waktu
penjadwalan makin lama ini disebabkan nilai acak akan semakin banyak.
5.2 Saran
BAB 2
LANDASAN TEORI
2.1 Penjadwalan Iklan
Penjadwalan adalah proses penyusunan menentukan jadwal yang tepat terhadap suatu pekerjaan untuk mencapai suatu tujuan tertentu terhadap sumber daya yang tersedia sesuai dengan constraint yang harus dipenuhi (Soraya, 2007). Penjadwalan iklan adalah masalah menempatkan waktu dan ruangan kepada sejumlah iklan pada sela-sela waktu acara dengan memperhatikan sejumlah aturan yang berhubungan dengan kapasitas dan lokasi dari ruang yang tersedia, waktu bebas yang diperlukan dan sejumlah aturan lain yang berkaitan dengan toleransi untuk pemasang iklan.
Periklanan merupakan alat komunikasi untuk menyampaikan pesan mengenai barang-barang, jasa atau ide-ide yang ditujukan kepada khalayak ramai yang merupakan calon pembeli dari produk atau jasa tersebut. Periklanan dapat mempengaruhi konsumen sehingga timbul rasa untuk melakukan pembelian. Jadi periklanan mempunyai peranan penting dalam meningkatkan volume penjualan. Banyak pengertian mengenai periklanan yang dikemukakan oleh para ahli dan kebanyakan orang percaya bahwa periklanan bekerja dengan mengirimkan suatu pesan lewat suatu media cetak maupun elektronika akan diperoleh jumlah konsumen yang cukup besar dalam waktu yang tidak begitu lama. Namun dalam masyarakat yang komunikatif, pesan yang disampaikan oleh media promosi terbentur oleh kesadaran, pengertian dan tindakan konsumen untuk melakukan pembelian. Sehingga perusahaan melaksanakan kegiatan periklanan karena mempunyai peranan yang cukup besar bagi kegiatan penjualan.
wilayah yang luas. Radio merupakan sarana handal untuk menjangkau orang yang mungkin tidak mempunyai akses media yang lain, radio dapat menjangkau orang-orang yang buta huruf yang tidak dapat membaca surat kabar, dan radio merupakan media yang dapat menjangkau hingga kepelosok daerah. Radio berfungsi sebagai sarana informasi, komunikasi, pengetahuan dan pendidikan serta hiburan yang mempunyai peran cukup penting dalam menyampaikan berita tentang perkembangan nasional maupun internasional.
Terkait dengan pangsa pasar dan basis konsumen, merek dengan pangsa pasar yang tinggi pada umumnya membutuhkan anggaran biaya periklanan yang lebih rendah guna mempertahankan posisinya. Itulah kenapa banyak perusahaan atau instansi beriklan melalui media radio, karena radio adalah media auditif yang lebih mudah untuk mengingat apa yang didengar pada setiap kesempatan.
Radio Suara Medan 94.7 hadir sebagai salah satu media di kota Medan yang memanjakan stakeholder dalam pemenuhan kebutuhan beriklan dan berpromosi, secara umum gambaran singkat tentang Radio Medan dapat dijelaskan dalam uraian singkat berupa karakteristik radio, yaitu: Efficient Value.
Radio adalah media beriklan yang ekonomis dari sisi pembiayaan dan efektif. Flexibility Value. Radio adalah media yang bersifat mobile, karena bisa didengar dalam setiap kesempatan, kapanpun dan di manapun. Real Time Value. Radio adalah media yang paling unggul dalam kecepatan penyampaian informasi, baik dalam penyampaian hiburan dan komersial. Customize Value. Radio adalah media yang mudah untuk mengemas suatu penyampaian pesan dalam bentuk siaran yang variatif dan kreatif sesuai keinginan dan kebutuhan pemasang iklan. Ada beberapa produk iklan yang disajikan oleh Radio Medan dalam memanjakan pemasang iklan, yaitu dalam bentuk:
a. Loose Spot, adalah produk iklan yang dibuat dengan merekam suara orang yang membaca pesan tertentu yang ingin disampaikan dan diperindah lagi dengan musik atau sound effect lainnya, di mana pesan yang disampaikan antara lain adalah jadwal kegiatan, jenis produk yang ditawarkan, info harga hingga bagaimana dan di mana produk tersebut bisa dibeli atau didapatkan oleh konsumen.
permainan atau games yang terkait erat dengan produk yang dipromosikan, dengan jaminan mendapatkan hadiah-hadiah tertentu, dengan keterlibatan ini pemasang iklan jenis ini berharap agar brand-nya diposisikan disekitar nilai-nilai dan kebutuhan sosial.
c. Lalu Time Signal, merupakan jenis iklan tanda waktu pada waktu atau jam tertentu yang dianggap strategis.
Ada pula sponsor program / Talk Show, dalam penerapannya di radio, praktisi radio menamakan program ini sebagai blocking time program, artinya adalah pembelian jam siaran dengan durasi tertentu, untuk diisi dengan program khusus yang dimiliki untuk tujuan kegiatan pemasaran. Jenis produk berupa Live Reportase, jenis produk ini adalah perpaduan antara siaran On-Air maupun Off-Air, di mana pemasang iklan menginginkan produknya lebih dikenal dimasyarakat dalam bentuk event tertentu yang disiarkan secara langsung melalui radio.
Dan yang terakhir adalah Adlibs Radio Program (ARP), merupakan iklan radio berupa teks tertulis (script) dibacakan dan diimprovisasi oleh penyiar radio dalam pola penyampaiannya. Pemasang iklan dimanjakan dengan pilihan waktu tayang iklan yang relatif menguntungkan dengan asumsi bahwa dalam jam tertentu merupakan capaian pendengar dalam jumlah banyak, dan berikut
2.2 Algoritma Genetika
Algoritma genetika pertama kali ditemukan oleh John Holland, itu dapat dilihat dalam bukunya yang berjudul Adaption in Natural and Artificial Systems pada tahun 1960-an d1960-an kemudi1960-an dikemb1960-angk1960-an bersama murid d1960-an rek1960-an kerj1960-anya di Universitas Michigan pada tahun 1960-an sampai 1970-an. Tujuan Holland mengembangkan Algoritma Genetika saat itu bukan untuk mendesain suatu algoritma yang dapat memecahkan suatu masalah, namun lebih mengarah ke studi mengenai fenomena adaptasi di alam dan mencoba menerapkan mekanisme adaptasi alam tersebut ke dalam sistem komputer (Fariza, 2006).
Algoritma Genetika sebagai cabang dari Algoritma Evolusi merupakan metode yang digunakan untuk memecahkan suatu pencarian nilai dalam sebuah masalah optimasi yaitu permasalahan-permasalahan yang tak linier (Mitsuo & Runwei, 2000).
mekanisme seleksi alam dan ilmu genetik sehingga istilah-istilah pada Algoritma Genetik akan bersesuaian dengan istilah-istilah pada seleksi alam dan ilmu genetik. Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai kromosom, sedangkan kumpulan kromosom-kromosom tersebut disebut sebagai populasi. Sebuah kromosom dibentuk dari komponen-komponen penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan. Kromosom-kromosom tersebut akan berevolusi secara berkelanjutan yang disebut dengan generasi. Dalam tiap generasi kromosom-kromosom tersebut dievaluasi tingkat keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan (fungsi_objektif) menggunakan ukuran yang disebut dengan Fitness.
Secara umum tahapan proses dari algoritma genetika diperlihatkan pada Gambar 2.1. Seperti terlihat pada gambar kromosom merupakan representasi dari solusi. Operator genetika yang terdiri dari crossover dan mutasi dapat dilakukan kedua-duanya atau hanya salah satu saja yang selanjutnya operator evolusi dilakukan melalui proses seleksi kromosom dari parent (generasi induk) dan dari offspring (generasi turunan) untuk membentuk generasi baru (new population) yang diharapkan akan lebih baik dalam memperkirakan solusi optimum, proses iterasi kemudian berlanjut sesuai dengan jumlah generasi yang telah ditetapkan.
2.3 Struktur Umum Algoritma Genetika
Secara umum struktur dari suatu algoritma genetika dapat didefenisikan dengan langkah-langkah sebagai berikut:
1. Mulai
Proses algoritma genetika dimulai dengan membangun populasi random sebanyak n kromosom (sesuai dengan masalahnya).
2. Populasi Awal
Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi itu sendiri terdiri atas sejumlah kromosom yang merepresentasikan solusi yang diinginkan.
3. Evaluasi Fitness
Pada setiap generasi kromosom-kromosom akan dievaluasi berdasarkan tingkat keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan dengan menggunakan evaluasi Fitness. Proses evaluasi Fitness adalah melakukan evaluasi setiap Fitness f(x) dari setiap kromosom x pada populasi.
4. Pembentukan Generasi Baru
Proses ini dilakukan secara berulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru (offspring) di mana generasi baru merupakan representasi dari solusi baru.
5. Seleksi
Untuk memilih kromosom yang akan tetap dipertahankan untuk generasi selanjutnya maka dilakukan proses seleksi. Proses seleksi dilakukan dengan memilih 2 kromosom parent dari populasi berdasarkan Fitnessnya (semakin besar Fitnessnya, maka semakin besar kemungkinannya untuk terpilih).
6. Crossover
Proses selanjutnya melakukan perkawinan silang sesuai dengan besarnya kemungkinan perkawinan silang, orang tua (parent) yang terpilih disilangkan untuk membentuk anak (offspring). Jika tidak ada crossover, maka anak merupakan salinan dari orang tuanya. Jumlah kromosom dalam populasi yang mengalami perkawinan silang (crossover) ditentukan oleh parameter yang disebut dengan probabilitas perkawinan silang (crossover
7. Mutasi
Proses mutasi dilakukan sesuai dengan besarnya kemungkinan mutasi yang telah ditentukan, anak dimutasi pada setiap lokus (posisi pada kromosom). Jumlah gen dalam populasi yang mengalami mutasi ditentukan oleh parameter yang disebut dengan probabilitas mutasi (mutationr probabilit, Pm). Setelah beberapa generasi akan dihasilkan, kromosom-kromosom yang nilai gennya konvergen ke suatu nilai tertentu merupakan solusi optimum yang dihasilkan oleh algoritma genetika terhadap permasalahan yang ingin diselesaikan.
8. Memenuhi syarat regenerasi
Apabila generasi baru memenuhi syarat regenerasi, maka proses akan selesai. Namun, apabila generasi baru tidak memenuhi syarat regenerasi, maka proses akan kembali ke evaluasi Fitness.
Parameter yang digunakan dalam algoritma genetika adalah:
1. Fungsi Fitness untuk menentukan tingkat kesesuaian individu tersebut. 2. Populasi jumlah individu pada setiap generasi.
3. Probabilitas terjadinya crossover pada setiap generasi. 4. Probabitas terjadinya mutasi pada setiap generasi. 5. Jumlah generasi yang akan dibentuk.
Golberg (1989) mengemukakan bahwa algoritma genetika mempunyai 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 ditetapkan bukan parameter itu sendiri.
2. Algoritma genetika pencarian pada sebuah solusi dari sejumlah individu-individu yang merupakan solusi permasalahan bukan hanya dari sebuah individu.
3. Algoritma genetika informasi fungsi objektif (Fitness), sebagai cara untuk mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari suatu fungsi.
4. Algoritma genetika menggunakan aturan transisi peluang, bukan aturan-aturan deterministik.
a. Gen
Gen merupakan nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom.
b. Kromosom / Individu
Kromosom merupakan gabungan dari gen-gen yang membentuk nilai tertentu dan menyatakan solusi yang mungkin dari suatu permasalahan.
c. Populasi
Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu satuan siklus evolusi.
d. Fitness
Fitness menyatakan seberapa baik nilai dari suatu individu yang didapatkan. e. Seleksi
Seleksi merupakan proses untuk mendapatkan calon induk yang baik. f. Crossover
Crossover merupakan proses pertukaran atau kawin silang gen-gen dari dua induk tertentu.
g. Mutasi
Mutasi merupakan proses pergantian salah satu gen yang terpilih dengan nilai tertentu. h. Generasi
Generasi merupakan urutan iterasi di mana beberapa kromosom bergabung. i. Offspring
Offspring merupakan kromosom baru yang dihasilkan.
2.4 Teknik Pengkodean
Pengkodean adalah suatu teknik untuk menyatakan populasi awal sebagai calon solusi suatu masalah ke dalam suatu kromosom sebagai suatu kunci pokok persoalan ketika menggunakan algoritma genetika (Desiani, 2005). Agar dapat diproses melalui algoritma genetika, maka harus dikodekan terlebih dahulu ke dalam bentuk kromosom. Kromosom akan berisi informasi sejumlah gen yang mengkodekan informasi.
Ada beberapa jenis pengkodean yang dapat digunakan dalam algoritma genetika yaitu pengkodean biner (binary encoding), pengkodean nilai (value encoding), pengkodean permutasi (permutation enocding), pengkodean pohon (tree encoding).
2.4.1 Pengkodean Biner
Pengkodean ini merupakan pengkodean yang sering digunakan dan paling sederhana. Pada pengkodean biner setiap kromosom direpresentasikan dalam barisan bit 0 atau 1, seperti dapat dilihat pada tabel 2.1 berikut ini:
Tabel 2.1 Contoh Pengkodean Biner
Kromosom A 10101011010
Kromosom B 11000010111
Pengkodean biner memberikan banyak kemungkinan untuk kromosom walaupun dengan jumlah nilai-nilai yang mungkin terjadi dalam suatu gen sedikit (0 atau 1). Pengkodean ini sering tidak sesuai untuk beberapa masalah terkadang harus dilakukan pengkoreksian setelah operasi crossover dan mutasi.
2.4.2 Pengkodean Nilai
Tabel 2.2 Contoh Pengkodean Nilai
Kromosom A 1.345, 4.534, 7.654, 8.789
Kromosom B ABC, ADC, CBC, BCA
Kromosom C 1, 3, 4, 7, 5
Kromosom D Forward, backward, right, left
2.4.3 Pengkodean Pohon
Pengkodean pohon digunakan untuk menyusun program atau ekspresi didalam algoritma genetika. Dalam pengkodean pohon ini, setiap kromosom dinyatakan sebagai sebuah pohon dari setiap objek, seperti fungsi atau perintah dalam bahasa pemograman. Pengkodean pohon sangat baik dalam pembangunan sebuah program. Bahasa pemrograman LISP biasanya sering menggunakan pengkodean pohon, karena program didalamnya dapat direpresentasikan ke dalam bentuk ini, dan dapat dengan mudah di parse menjadi sebuah pohon, sehingga crossover dan mutasi dapat dilakukan dengan lebih mudah. Contoh pengkodean pohon dapat dilihat pada gambar dibawah ini: (*(-(ab))(+(*(CD))(/(EF))))
Gambar 2.3 Pengkodean Pohon
2.4.4 Pengkodean Permutasi
kromosom harus dilakukan untuk menjaga konsistensi representasi kromosom setelah proses crossover dan mutasi. Sebagai contoh, dapat dilihat pada tabel 2.3 berikut ini:
Tabel 2.3 Contoh Pengkodean Permutasi
Kromosom A 2 6 7 5 1 3 4 9 8 10
Kromosom B 10 5 4 9 7 1 3 2 6 8
2.5 Membangkitkan Populasi Awal dan Kromosom
Membangkitkan populasi awal adalah proses membangkitkan sejumlah individu atau kromosom secara acak atau melalui prosedur tertentu. Ukuran untuk populasi tergantung pada masalah yang akan diselesaikan dan jenis operator genetika yang akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian dilakukan pembangkitan populasi awal. Apabila ukuran populasi yang dipilih terlalu kecil, maka tingkat eksplorasi atas ruang pencarian global akan terbatas, walaupun arah menuju konvergensi lebih cepat. Apabila ukuran populasi terlalu besar, maka waktu akan banyak terbuang karena berkaitan dengan besarnya jumlah data yang dibutuhkan dan waktu ke arah konvergensi akan lebih lama (Goldberg, 1989).
2.6 Evaluasi Fitness
Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran performansinya. Didalam evolusi alam, individu yang bernilai Fitness tinggi yang akan bertahan hidup. Sedangkan individu yang bernilai Fitness rendah akan mati.
2.7 Seleksi
2.7.1 Seleksi Roda Roulette (Roulete Wheel Selection)
Metode seleksi roda roulette merupakan metode seleksi yang paling sederhana. Metode ini juga sering dikenal dengan nama stochastic sampling with replacement. Pada metode ini cara kerja seleksi berdasarkan nilai Fitness dari tiap individu, jadi individu yang memiliki nilai Fitness terbaik mempunyai kesempatan lebih besar untuk terpilih sebagai orang tua.
Langkah-langkah seleksi roulette wheel:
1. Dihitung nilai Fitness masing-masing individu (fi di mana i adalah individu ke 1 s/d ke-n )
2. Dihitung total Fitness semua individu ,
3. Dihitung Fitness relatif masing-masing individu
4. Dari Fitness relatif tersebut, dihitung Fitness kumulatifnya. 5. Dibangkitkan nilai random
6. Dari bilangan random yang dihasilkan, ditentukan individu mana yang terpilih dalam proses seleksi
2.7.2 Seleksi Ranking (Rank-based Fitness)
Seleksi ranking merupakan metode seleksi alternatif yang bertujuan untuk menghindari terjadinya hasil konvergen yang terlalu cepat dari proses seleksi orangtua. Pada metode seleksi ini, individu-indiviu pada tiap populasi diurutkan berdasarkan nilai Fitnessnya sehingga nilai yang diharapkan dari tiap individu bergantung kepada urutannya bukan hanya kepada nilai Fitnessnya.
2.7.3 Seleksi Turnamen (Turnament Selection)
Seleksi turnamen merupakan variasi dari seleksi roda roulette dan seleksi ranking. Pada metode seleksi ini, kromosom dipilih secara acak, kemudian diranking untuk diambil nilai Fitness terbaiknya.
2.8 Crossover
menghasilkan kromosom anak dari kombinasi materi-materi gen dua kromosom induk. Probabilitas crossover (Pc) ditentukan untuk mengendalikan frekuensi crossover.
2.8.1 One Point Crossover
Pada crossover dilakukan dengan memisahkan suatu string menjadi dua bagian dan selanjutnya salah satu bagian dipertukarkan dengan salah satu bagian dari string yang lain yang telah dipisahkan dengan cara yang sama. Proses yang demikian dinamakan operator crossover satu titik.
Contoh:
Induk 1: 11001 | 010 Induk 2: 00100 | 111 Diperoleh:
Anak 1: 11001 | 111 Anak 2: 00100 | 010
2.8.2 Two Point Crossover
Proses crossover ini dilakukan dengan memilih dua titik crossover. Kromosom keturunan kemudian dibentuk dengan barisan bit dari awal kromosom sampai titik crossover pertama disalin dari orangtua pertama, bagian dari titik crossover pertama dan kedua disalin dari orangtua kedua, kemudian selebihnya disalin dari orangtua pertama lagi.
Contoh:
Induk 1: 110 | 010 | 10 Induk 2: 001 | 001 | 11 Diperoleh:
Anak 1: 110 | 001 | 10 Anak 2: 001 | 010 | 11
2.8.3 Uniform Crossover
Contoh:
11001011 + 11011101 = 11011111
2.8.4 Partially Mapped Crossover (PMX)
PMX diciptakan oleh Goldberg dan Lingle. PMX merupakan rumusan modifikasi dari pindah silang dua-poin. Hal yang penting dari PMX adalah pindah silang dua poin ditambah dengan beberapa prosedur tambahan.
Contoh:
Pilih posisi untuk menentukan substring secara acak Induk 1: 1 2 3 | 4 5 6 | 7 8
Induk 2: 3 7 5 | 1 6 8 | 2 4 Diperoleh:
Anak 1 : 4 2 3 | 1 6 8 | 7 5 Anak 2 : 3 7 8 | 4 5 6 | 2 1
2.9 Mutasi
Operator mutasi dioperasikan sebagai cara untuk mengembalikan materi genetic yang hilang. Melalui mutasi, individu baru dapat diciptakan dengan melakukan modifikasi terhadap satu atau lebih nilai gen pada individu yang sama. Mutasi mencegah kehilangan total materi genetika setelah reproduksi dan pindah silang. Mutasi ini berperan utuk menggantikan gen yang hilang dari populasi akibat seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi.
2.9.1 Mutasi Pengkodean Biner
Tabel 2.4 Contoh Mutasi Pengkodean Biner
Keadaan Kromosom Proses Mutasi
Kromosom sebelum mutasi 1000 1111 1011 0110 Kromosom sesudah mutasi 10011 1011 0110
2.9.2 Mutasi Pengkodean Nilai
Mutasi pengkodean nilai adalah proses yang terjadi pada saat pengkodean nilai. Proses mutasi dalam pengkodean nilai dapat dilakukan dengan cara memilih sembarang posisi gen pada kromosom, dan nilai yang ada kemudian ditambahkan atau dikurangkan dengan suatu nilai kecil tertentu yang diambil secara acak. Sebagai contoh, dapat dilihat pada tabel berikut ini, yaitu nilai riil ditambahkan dan dikurangkan dengan nilai 0 dan 1.
Tabel 2.5 Contoh Mutasi Pengkodean Nilai
Keadaan Kromosom Proses Mutasi
Kromosom sebelum mutasi 1,45 2,67 1,87 2,56 Kromosom sesudah mutasi 1,55 2,67 1,77 2,56
2.9.3 Mutasi Pengkodean Permutasi
Proses mutasi pengkodean permutasi tidak sama halnya dengan proses mutasi yang dilakukan pada pengkodean biner dengan mengubah langsung bit-bit pada kromosom. Salah satu cara yang dapat dilakukan adalah dengan memilih dua posisi (locus) dari kromosom dan kemudian nilainya saling dipertukarkan. Orangtua yang berada dibawah titik crossover dipertukarkan untuk menghasilkan anak baru. Contoh Mutasi pada pengkodean permutasi, dapat dilihat pada tabel di berikut ini:
Tabel 2.6 Contoh Mutasi Pengkodean Permutasi
Keadaan Kromosom Proses Mutasi
Kromosom sebelum mutasi 1 2 3 4 5 6 7 8 9 Kromosom sesudah mutasi 1 2 7 4 6 5 8 3 9
a. Inversion Mutation
Inversion mutation dilakukan dengan cara memilih substring secara acak kemudian substring yang terpilih dibalik dan penempatan substring pada posisi yang sama. Penyisipan tersebut posisi acak. Contoh ilustrasi operasi mutasi ini, dapat dilihat pada gambar 2.4 berikut ini:
Gambar 2.4 Contoh Inversion Mutation
b. Insertion Mutation
Insertion Mutation dilakukan dengan cara memilih salah satu gen secara acak kemudian gen yang terpilih disisipkan ke posisi yang lain. Penyisipan tersebut pada posisi acak. Contoh ilustrasi operasi mutasi ini, dapat dilihat pada gambar 2.5 berikut ini:
Gambar 2.5 Contoh Exchange Mutation
2.9.4 Mutasi Pengkodean Pohon
Tabel 2.7 Contoh Mutasi Pengkodean Pohon
2.10 Meknisme Algoritma Genetika
Algoritma genetika dimulai dengan pembentukan sejumlah solusi yang dilakukan secara acak. Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai kromosom, sedangkan kumpulan kromosom tersebut disebut sebagai populasi. Sebuah kromosom dibentuk dari komponen penyusun disebut dengan gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan.
Secara umum blok diagram dari mekanisme kerja algoritma genetika adalah seperti pada Gambar 2.6.
Parameter-parameter genetika berperan dalam pengendalian operator-operator genetika yang digunakan dalam optimasi algoritma genetika menggunakan algoritma genetika. (Davis, 1991; Sundhararajan, 1994; Sastry, 2004). Parameter genetika yang sering digunakan meliputi ukuran populasi (N), probabilitas pindah silang (Pc), dan probabilitas mutasi (Pm). Pemilihan ukuran populasi yang digunakan tergantung pada masalah yang akan diselesaikan. Untuk masalah yang lebih kompleks biasanya diperlukan ukuran populasi yang lebih besar guna mencegah konvergensi prematur (yang menghasilkan optimum lokal).
Pada tiap generasi, sebanyak Pc * N individu dalam populasi mengalami pindah silang. Makin besar nilai Pc yang diberikan maka makin cepat struktur individu baru yang diperkenalkan ke dalam populasi. Jika nilai Pc yang diberikan terlalu besar, individu yang merupakan kandidat solusi terbaik dapat hilang lebih cepat dibanding seleksi untuk peningkatan kerja. Sebaliknya nilai Pc yang rendah dapat mengakibatkan stagnasi karena rendahnya angka eksplorasi.
Probabilitas mutasi adalah probabilitas di mana setiap posisi bit pada tia string dalam populasi baru mengalami perubahan secara acak setelah proses seleksi. Dalam satu generasi dengan L panjang struktur, kemungkinan terjadi mutasi sebanyak Pm*N*L.
2.12 Parameter Genetik
Pengoperasian algoritma genetika dibutuhkan 3 parameter (Juniawati, 2003) yaitu: 1. Probabilitas Persilangan (Crossover Probability)
Menunjukkan kemungkinan crossover terjadi antara 2 kromosom. Jika tidak terjadi crossover maka keturunannya akan sama persis dengan kromosom orangtua, tetapi tidak berarti generasi yang baru akan sama persis dengan generasi yang lama. Jika probabilitas crossover 100% maka semua keturunannya dihasilkan dari crossover. Crossover dilakukan dengan harapan bahwa kromosom yang baru akan lebih baik.
2. Probabilitas Mutasi (Mutation Probability)
probabilitas 100%, semua kromosom dimutasi. Jika probabilitasnya 0%, tidak ada yang mengalami mutasi.
3. Ukuran Populasi
Menunjukkan jumlah kromosom yang terdapat dalam populasi. Jika hanya sedikit kromosom dalam populasi maka algoritma genetika akan mempunyai sedikit variasi kemungkinan untuk melakukan crossover. Sebaliknya jika terlalu banyak maka algoritma genetika akan berjalan lambat dalam menemukan solusi.
Ada beberapa rekomendasi parameter yang bisa digunakan, yaitu:
a. Untuk permasalahan yang memilki kawasan solusi cukup besar, De Jong merekomendasikan untuk nilai parameter kontrol: (popsize; pc; pm) = (50;0,6;0,001).
b. Bila rata-rata Fitness setiap generasi digunakan sebagai indikator, maka Grenfenstette merekomendasikan: (popsize;pc;pm) = (30;0,95;0,01)
c. Bila Fitness dari individu terbaik dipantau pada setiap generasi, maka usulannya adalah: (popsize;pc;pm) = (80;0,45;0.01).
Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang jenis permasalahan.
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.
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).
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.
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.
Tabel 2.8 Penelitian Terdahulu
No. Nama dan Tahun Metode Keterangan
1 Aulia Fitrah, Achmad Zaky, Fitrasani, 2012
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
Gede Santi Astawa, Ngr. Agus Sanjaya E.R, 2010
Algoritma Genetika
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
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.