OPTIMASI TURN ARROUND TIME PADA PENJADWALAN
ROUND ROBIN DENGAN MENCARI QUANTUM TIME
OPTIMAL MENGGUNAKAN ALGORITMA
SIMULATED ANNEALING
TESIS
ASAZIDUHU GEA
127038042
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
OPTIMASI TURN ARROUND TIME PADA PENJADWALAN
ROUND ROBIN DENGAN MENCARI QUANTUM TIME
OPTIMAL MENGGUNAKAN ALGORITMA
SIMULATED ANNEALING
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Magister Teknik Informatika
ASAZIDUHU GEA
127038042
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : OPTIMASI TURN ARROUND TIME PADA
PENJADWALAN ROUND ROBIN DENGAN
MENCARI QUANTUM TIME OPTIMAL
MENGGUNAKAN ALGORITMA SIMULATED
ANNEALING
Nama : ASAZIDUHU GEA
Nomor Induk Mahasiswa : 127038042
Program Studi : MAGISTER TEKNIK INFORMATIKA
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dr. Poltak Sihombing, M.Kom Prof. Dr. Muhammad Zarlis
Diketahui/Disetujui Oleh
Program Studi Magister Teknik Informatika Ketua,
PERNYATAAN
OPTIMASI TURN ARROUND TIME PADA PENJADWALAN ROUND ROBIN DENGAN MENCARI QUANTUM TIME OPTIMAL MENGGUNAKAN
ALGORITMA SIMULATED ANNEALING
TESIS
Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan
dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 28 Agustus 2014
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIK
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di
bawah ini :
Nama Mahasiswa : ASAZIDUHU GEA
Nomor Induk Mahasiwa : 127038042
Program Studi : Magister Teknik Informatika
Jenis Karya Ilmiah : Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada
Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non Exclusive Royalti Free Right) atas tesis saya yang berjudul:
OPTIMASI TURN ARROUND TIME PADA PENJADWALAN ROUND ROBIN
DENGAN MENCARI QUANTUM TIME OPTIMAL MENGGUNAKAN
ALGORITMA SIMULATED ANNEALING
Berserta perangkat yang ada (jika diperlukan).Dengan hak bebas royalty Non-Eksklusive ini, Universitas Sumatera Utara berhak menyimpan, mengalih media,
memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya
tanpa meminta izin dari saya, selama tetap mencamtumkan nama saya sebagai penulis
dan sebagai pemegang dan/atau sebagai hak cipta.
Demikianlah pernyataan ini dibuat dengan sebenarnya.
Medan, 28 Agusutus 2014
Telah diuji pada :
Tanggal : 28 Agustus 2014
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Muhammad Zarlis
Anggota : 1. Dr. Poltak Sihombing, M.Kom
2. Prof. Dr. Herman Mawengkang
3. Prof. Dr. Tulus
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap : Asaziduhu Gea
Tempat dan Tanggal Lahir : Dima 22 Januari 1978
Alamat Rumah : Jl. Dahlia Raya no. 257
Telepon /Fax/HP : -/-/081370913707
E-mail : ashagea@gmail.com
Instansi Tempat Bekerja : STMIK Pelita Nusantara Medan
Alamat Kantor : Jl. Iskandar Muda No. 1 Medan
DATA PENDIDIKAN
SD : SD Negeri 076673 Gunung Sitoli TAMAT : 1988
SLTP : SLTP Negeri 6 Gunung Sitoli TAMAT : 1994
SLTA : SMA Negeri 3 Gunung Sitoli TAMAT : 1997
S1 : Sistem Informasi STMIK XII-Medan TAMAT : 2004
UCAPAN TERIMA KASIH
Puji syukur kepada Tuhan Yang Maha Esa, atas segala limpahan berkat dan
penyertaan-Nya sehingga tesis ini dapat diselesaikan tepat pada waktunya. Dengan selesainya tesis
ini, perkenankanlah penulis mengucapkan terima kasih yang sebesar-besarnya kepada :
1. Rektor Universitas Sumatera Utara, Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc
(CTM), Sp. A(K) atas kesempatan yang diberikan kepada penulis untuk
mengikuti dan menyelesaikan pendidikan Program Magister pada Program
Pascasarjana Fasilkom-TI Universitas Sumatera Utara.
2. Dekan Fasilkom-TI (Fakultas Ilmu Komputer dan Teknologi Informasi)
Universitas Sumatera Utara Prof. Dr. Muhammad Zarlis, atas kesempatan
yang diberikan kepada penulis menjadi mahasiswa Program Magister pada
Program Pascasarjana Fasilkom-TI Universitas Sumatera Utara.
3. Ketua Program Studi Magister (S2) Teknik Informatika, Prof. Dr.
Muhammad Zarlis dan Sekretaris Program Studi Magister (S2) Teknik
Informatika M. Andri Budiman, S.T, M.Comp, M.E.M beserta seluruh staff
pengajar pada Program Studi Magister (S2) Teknik Informatika Program
Pascasarjana Fasilkom-TI Universitas Sumatera Utara, yang telah bersedia
membimbing penulis sehingga dapat menyelesaikan pendidikan tepat pada
waktunya.
4. Prof. Dr. Muhammad Zarlis selaku pembimbing utama dan kepada Dr. Poltak Sihombing, M.Kom selaku pembimbing lapangan yang dengan penuh kesabaran menuntun serta membimbing penulis hingga selesainya tesis ini dengan baik.
5. Prof. Dr. Herman Mawengkang, Prof. Dr. Tulus, dan Prof. Dr. Opim Salim Sitompul sebagai pembanding yang telah memberikan saran dan motivasi serta arahan yang baik demi penyelesaian tesis ini.
6. Universitas Sumatera Utara, Staf Pegawai dan Administrasi pada Program Studi
Magister (S2) Teknik Informatika Program Pascasarjana Fasilkom-TI Universitas
Sumatera Utara yang telah memberikan bantuan dan pelayanan terbaik kapada
7. Orang tua penulis. Ayahanda Felix F. Gea, Ibunda Adria Samiati Laoli dan segenap
keluarga Abang/Kakak/Adik penulis yang telah mendukung penulis dan terima
kasih atas segala pengorbanannya, baik moril maupun materil.
8. Sahabat istimewa saya Verinawaty Zebua, SE. Terimakasih untuk segala doa,
motivasi dan dukungan yang sangat berharga selama mengikuti perkuliahan hingga
penyelesaian tesis ini.
9. Teman-teman seperjuangan angkatan 2012 Kom-B, dan teman teman OFA AFO,
teristimewa untuk “Master” Rimbun Siringoringo, atas kebersamaan dan suka duka yang telah kita lewati bersama selama menjalani perkuliahan dan dalam
penyelesaian tesis ini.
10.Semua pihak yang tidak dapat penulis sebutkan satu persatu, terimakasih atas
segala bantuan dan doa yang diberikan. Semoga karya ilmiah ini dapat bermanfaat
bagi bagi kemajuan ilmu pengetahuan dan pendidikan.
Medan, 28 Agustus 2014
Penulis
ABSTRAK
TURN ARROUND TIME OPTIMIZATION IN ROUND ROBIN SCHEDULING BY DETERMINING OPTIMAL QUANTUM TIME USING
SIMULATED ANNEALING ALGORITHM
ABSTRACT
Scheduling processes are queuing need has managed by the operating system so that all processes can be served without any process that is in decline or too long for response, resulting in the time allotted to the process. The duration of the response time results in subsequent processes fail due to running out of Burst Time process that has been allocated to each such process. One of the responsibilities of the operating system is the Manging process by making the scheduling process. Scheduling algorithm used not merely to overcome the problem Turn arround Time. Expected Time Turn arround in getting smaller each time to execute a number of processes. Therefore, it is necessary to do the optimization of Turn arround Time. One of the scheduling algorithm is used to serve a number of processes is Round Robin. The algorithm uses Round Robin scheduling method that is fair to evenly divide the execution time (time quantum) for each process but continue to serve all processes sequentially. The allocation of the corresponding quantum time greatly affect the average waiting time for the entire process. Because it is necessary to do an effort to obtain the optimal time quantum values are able to give a little time to execute a number of processes that a lot. In this study, Simulated Annealing algorithm applied applied. Simulated Annealing is a heuristic algorithm that is oriented to finding solution for a problem with using little energy, but the results are quite large. Tests performed on the process with varying amounts of 100, 150, and 200 Each process has a different burst time, tested by the variation of alpha of 0.90 and 0.99 and the initial temperature rated at 110 and the value of the final temperature 0, 46 and 0.5. Testing in each group showed that there was a decrease in the average waiting time is quite significant in the early iterations until the last iteration.
DAFTAR ISI
Halaman
ABSTRAK i
ABSTRACK ii
DAFTAR ISI iii
DAFTAR GAMBAR v
DAFTAR TABEL vi
BAB 1 PENDAHULUAN 1
1.1 Latar Belakang Masalah 1
1.2 Perumusan Masalah 3
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 4
1.5 Manfaat Penelitian 4
BAB 2 TINJAUAN PUSTAKA 5
2.1 Penjadwalan Proses 5
2.1.1 Tipe Penjadwalan 7
2.1.2 Strategi Penjadwalan 8 2.1.3 Algoritma-Algoritma Penjadwalan 9
2.2 Algoritma Round Robin 10
2.3 Simulated Annealing 10
2.3.1 Parameter Simulated Annealing 12
BAB 3 METODOLOGI PENELITIAN 13
3.1 Pendahuluan 13
3.2 Data Yang Digunakan 14
3.3 Prosedur Penyelesaian Masalah 15 3.4 Optimasi Quantum Time Dengan Simulated Annealing 16
3.4.1 Mengeset Nilai Parameter 17
3.4.2 Menginput Data Problem 17
3.4.3 Membangkitkan Solusi Awal 18
3.4.4 Menampilkan Solusi Yang Terbaik 18
3.4.5 Kriteria Terpenuhi 18
BAB 4 HASIL DAN PEMBAHASAN 19
4.1 Pendahuluan 19
4.2 Pengujian 20
4.3 Uji Coba Pada 100 Proses 20
4.3.1 Parameter 1 20
4.3.2 Hasil Pengujian 21
4.3.3 Best seeking 23
4.3.4 Parameter 2 25
4.3.5 Hasil Pengujian Parameter 2 25
4.4 Uji Coba Pada 150 Proses 36
4.4.1 Parameter 1 36
4.4.2 Hasil Pengujian 37
4.4.3 Best seeking 41
4.4.4 Parameter 2 42
4.4.5 Hasil Pengujian Parameter 2 43
4.4.6 Best Seeking 44
4.5 Uji Coba Pada 200 Proses 46
4.5.1 Parameter 1 47
4.5.2 Hasil Pengujian 48
4.5.3 Best seeking 49
4.5.4 Parameter 2 52
4.5.5 Hasil Pengujian Parameter 2 52
4.5.6 Best Seeking 54
BAB 5 KESIMPULAN DAN SARAN 62
5.1 Kesimpulan 63
5.2 Saran 63
DAFTAR GAMBAR
Nomor
Gambar J u d u l Halaman
3.1. Algoritma Round Robin 13
3.2. Prosedur Penyelesaian Masalah 15
3.3. Optimasi Quantum Time 16
DAFTAR TABEL
Nomor
Tabel J u d u l Halaman
4.1. Data Set 100 Proses 20
4.2. Parameter 1 21
4.3. Hasil Pengujian Parameter 1 21 4.4. Best Solution Parameter 1 23
4.5. Parameter 2 25
4.6 Hasil Pengujian Parameter 2 25 4.7. Best Solution Parameter 2 28
4.8. Data Set 150 Proses 36
4.9. Parameter 1 36
4.10. Hasil Pengujian Parameter 1 37 4.11. Best Solution Parameter 1 40
4.12. Parameter 2 42
4.13 Hasil Pengujian Parameter 2 42 4.14. Best Solution Parameter 2 44
4.15. Data Set 200 Proses 46
4.16 Parameter 1 47
4.17. Hasil Pengujian Parameter 1 47 4.18. Best Solution Parameter 1 49
4.19. Parameter 2 51
ABSTRAK
TURN ARROUND TIME OPTIMIZATION IN ROUND ROBIN SCHEDULING BY DETERMINING OPTIMAL QUANTUM TIME USING
SIMULATED ANNEALING ALGORITHM
ABSTRACT
Scheduling processes are queuing need has managed by the operating system so that all processes can be served without any process that is in decline or too long for response, resulting in the time allotted to the process. The duration of the response time results in subsequent processes fail due to running out of Burst Time process that has been allocated to each such process. One of the responsibilities of the operating system is the Manging process by making the scheduling process. Scheduling algorithm used not merely to overcome the problem Turn arround Time. Expected Time Turn arround in getting smaller each time to execute a number of processes. Therefore, it is necessary to do the optimization of Turn arround Time. One of the scheduling algorithm is used to serve a number of processes is Round Robin. The algorithm uses Round Robin scheduling method that is fair to evenly divide the execution time (time quantum) for each process but continue to serve all processes sequentially. The allocation of the corresponding quantum time greatly affect the average waiting time for the entire process. Because it is necessary to do an effort to obtain the optimal time quantum values are able to give a little time to execute a number of processes that a lot. In this study, Simulated Annealing algorithm applied applied. Simulated Annealing is a heuristic algorithm that is oriented to finding solution for a problem with using little energy, but the results are quite large. Tests performed on the process with varying amounts of 100, 150, and 200 Each process has a different burst time, tested by the variation of alpha of 0.90 and 0.99 and the initial temperature rated at 110 and the value of the final temperature 0, 46 and 0.5. Testing in each group showed that there was a decrease in the average waiting time is quite significant in the early iterations until the last iteration.
BAB 1
PENDAHULUAN
1.1.Latar Belakang
Teknologi komputer pada saat ini, telah mendorong para vendor untuk membuat evolusi sistem operasi dengan menciptakan sistem operasi yang baru, ataupun
menyempurnakan sistem operasi yang sudah ada sebelumnya. Beragam keunggulan
dan fitur yang tawarkan pada setiap sistem operasi, mulai dari tampilan grafis yang
memikat sampai kemampuan menjalankan berbagai aplikasi dan kecepatan
mengeksekusi sejumlah proses, menjadi unggulan sekaligus menjadi fitur tambahan
pada sistem operasi tersebut.
Sistem operasi merupakan penghubung antara pengguna computer dengan perangkat keras komputer. Sistem operasi berfungsi untuk mengatur dan mengawasi
penggunaan perangkat keras, berbagai program dan aplikasi dari para pengguna
(Tarek, 2006).
Menurut Tanenbaum (2001) bahwa salah satu misi yang dijalankan oleh sistem
operasi adalah efesiensi penggunaan waktu ketika terjadi multiprogramming.
Memperbolehkan beberapa program berjalan pada saat yang hamper bersamaan atau
bersamaan mengakibatkan terjadinya multiprosesing yang membuat CPU harus
melaksanakan eksekusi terhadap sejumlah proses.
Menurut Arfiyanti (2012) banyaknya jumlah proses yang harus dieksekusi oleh
CPU mengakibatkan kerumitan tersendiri dikarenakan alokasi waktu yang sangat
terbatas. Kecepatan eksekusi sejumlah proses akan mempengaruhi efesiensi
penggunaan waktu. Waktu yang dimaksud adalah waktu yang digunakan oleh CPU
untuk mengeksekusi sejumlah proses yang sedang menunggu. Oleh karena itu sistem
operasi harus membagi waktu CPU untuk mengeksekusi sejumlah proses tersebut
Pada kasus penjadwalan, hasil yang optimum seringkali ditemui dengan jalan
menganalisis dan mencoba aturan prioritas yang dinilai dapat memberikan solusi
paling baik. Salah satunya menggunakan pendekatan komputasi dengan
memanfaatkan modul yang tersedia pada perangkat lunak penjadwalan (Asmuliardi,
2010)
Ada sejumlah algoritma yang digunakan oleh sistem operasi untuk membagi waktu pada sistem multiprogramming. Algoritma yang ada berorientasi pada konsep
penjadwalan dimana tujuan utamanya agar proses bisa berjalan demi memaksimalkan
kinerja dari CPU. Secara garis besar, beberapa algoritma CPU yang digunakan oleh
First Come First Served, Short Job Firt, Prioritas dan Round system operasi yaitu Robin ( Tanenbaum, 2001).
Algoritma Simulated Anealing adalah salah satu algoritma yang digunakan untuk
teknik optimasi. Algoritma ini berorientasi pada penggunaan sumber daya minimal.
Simulated annealing (SA) adalah salah satu algoritma untuk untuk optimisasi yang
bersifat generik. Berbasiskan probabilitas dan mekanika statistik. Algoritma ini dapat
digunakan untuk mencari pendekatan terhadap solusi optimum global dari suatu
permasalahan. Masalah yang membutuhkan pendekatan Simulated Annealing adalah
masalah-masalah optimisasi kombinatorial, di mana ruang pencarian solusi yang ada
terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap
permasalahan itu.
Kemampuan sistem operasi mengatasi kompleksitas waktu adalah hal utama yang
perlu di perhatikan sehingga penggunaan waktu lebih efesien. Salah satu property dari
CPU yang berkaitan dengan penggunaan waktu adalah throughput. Throughput adalah banyaknya jumlah proses yang diselesaikan atau yang berhasil di eksekusi per
unit waktu. Oleh karena itu diperlukan sebuah teknik untuk mengalokasi time slice atau quantum time yang tepat per masing masing proses. Alokasi quantum time yang
tepat sangat mempengaruhi nilai throughput yang di dapatkan oleh CPU.
Kinerja penjadwalan round robin sangat tergantung dari ukuran quantum time. Namun pemberian nilai quantum time pada masing masing proses haruslah tepat agar
menghasilkan waktu yang optimal. Quantum time dalam penjadwalan round robin jika memiliki nilai yang lebih besar akan sama dengan penjadwalan First Come Fist
sementara jika quantum time dengan nilai yang kecil akan memberi respek alih
konteks dengan ongkos yang sangat besar sehingga tidak tercapai waktu minimal.
Menemukan nilai quantum yang bisa dialokasikan secara cepat dan dalam
menyelesaikan eksekusi sejumlah proses diperlukan sebuah metode yang sifatnya
heuristic search. Menurut Gregorius (2003) Heuristic Search adalah sebuah teknik
yang meningkatkan efisiensi dari sebuah proses pencarian. Beberapa teknik heuristic
dapat melakukan proses pencarian tanpa mengorbankan klaim terhadap
kesempurnaan, sementara teknik–teknik lain dalam heuristic dapat mengakibatkan
diabaikannya jalur-jalur terbaik yang mungkin ada. Dalam penelitian ini, penulis
menilai bahwa algoritma simulated annealing adalah metode yang tepat yang bisa
menyelesaikan masalah ini, mengingat orientasi dari state yang dia cari adalah state
yang terendah atau terkecil nilai bobotnya tetapi mengupayakan hasil yang maksimal.
1.2Perumusan Masalah
Sesuai dengan latar belakang masalah di atas maka yang menjadi masalah dalam
penelitian ini adalah bagaimana membuat sebuah pemodelan untuk peningkatan
kinerja system operasi dalam memanajemen proses dengan menerapkan algoritma
simulated annealing dalam penjadwalan round robin untuk meningkatkan kinerja
central processing unit, sehingga jumlah proses yang banyak bisa di eksekusi dengan turnaround time yang lebih kecil.
1.3 . Batasan Masalah
Dalam Penelitian ini, penulis melakukan studi literature dengan membahas beberapa
topik yang berhubungan dengan penjadwalan CPU dan Simulated Anealing. Adapun
pembatasan yang dilakukan dalam penelitian ini adalah :
1. Penjadwalan CPU yang digunakan adalah round robin dengan sejumlah
proses yang sedang mengantri.
2. Teknik pembagian waktu yang digunakan adalah algoritma Simulated
Annealing.
1.4. Tujuan Penelitian
menganggur, meningkatkan waktu tanggap dan angka throughput sehingga lebih banyak proses yang di olah oleh sistem dengan nilai turnarround time yang lebih kecil.
1.5. Manfaat Penelitian
Adapun manfaat yang diharapkan dari penelitian ini adalah sebagai berikut :
1. Untuk mengetahui sejauh mana keberhasilan sistem operasi dalam
memanajemen proses dengan menggunakan algoritma simulated annealing
untuk mendapatkan rata rata waktu eksekusi yang lebih minimal dengan
menggunakan algoritma simulated annealing.
2. Membuat efesiensi penggunaan hardware oleh sistem operasi sehingga tingkat
kesibukan CPU dalam menjalankan proses tetap terjaga.
3. Sebagai bahan perbandingan pada para vendor sistem operasi untuk bisa
mengoptimalkan penjadwalan CPU khususnya bagi yang menggunakan
penjadwalan Round Robin dengan menggunakan Algoritma Simulated
Annealing.
4. Sebagai rujukan bagi pembaca yang lain untuk bisa memahami algoritma
penjadwalan CPU round robin dengan kombinasi simulated annealing dan mengembangkanya pada metode penelitian yang lain khususnya
BAB 2
TINJAUAN PUSTAKA
2.1. Penjadwalan Proses
Menurut Tanenbaum (2001) Penjadwalan proses merupakan kumpulan
kebijaksanaan dan mekanisme di sistem operasi yang berkaitan dengan urutan kerja
yang dilakukan sistem komputer. Adapun penjadwalan bertugas memutuskan :
a. Proses yang harus berjalan
b. Kapan dan selama berapa lama proses itu berjalan
Menurut Tarore ( 2012 ) pengaturan waktu atau penjadwalan dari
kegiatan-kegiatan yang terlibat didalamnya dimaksudkan agar suatu proyek dapat berjalan
dengan lancar serta efektif. Oleh karena itu, pelaksana dari suatu kegiatan
biasanya membuat suatu jadwal waktu kegiatan atau time schedule. Jadwal waktu
kegiatan adalah urutan urutan kerja yang berisi tentang :
a. Jenis pekerjaan yang akan diselesaikan
b. Waktu bilamana suatu pekerjaan dimulai dan diakhiri.
Oleh karena itu penjadwalan yang baik harus memiliki ukuran agar proses prose
yang dijalankan lebih optimal. Untuk mengukur dan optimasi kinerja penjadwalan
menurut Tarek (2006) bahwa ada beberapa hal yang perlu di perhatikan :
a. Adil (fairness)
Adalah proses-proses yang diperlakukan sama, yaitu mendapat jatah waktu
pemroses yang sama dan tak ada proses yang tak kebagian layanan pemroses
b. Efisiensi (eficiency)
Efisiensi atau utilisasi pemroses dihitung dengan perbandingan (rasio) waktu
sibuk pemroses.
c. Waktu tanggap (response time)
Waktu tanggap adalah waktu yang dibutuhkan untuk merespon atau menanggapi
permintaan layanan eksekusi dari sebuah proses. Waktu tanggap dibedakan atas
dua hal yakni :
1). Sistem interaktif
Didefinisikan sebagai waktu yang dihabiskan dari saat karakter terakhir dari
perintah dimasukkan atau transaksi sampai hasil pertama muncul di layar.
Waktu tanggap ini disebut terminal response time.
2). Sistem waktu nyata didefinisikan sebagai waktu dari saat kejadian (internal
atau eksternal) sampai instruksi pertama rutin layanan yang dimaksud
dieksekusi, disebut event response time.
d. Turn around time
Adalah waktu yang dihabiskan dari saat program atau job mulai masuk ke sistem
sampai proses diselesaikan sistem. Waktu yang dimaksud adalah waktu yang
dihabiskan di dalam sistem, diekspresikan sebagai penjumlah waktu eksekusi
(waktu pelayanan job) dan waktu menunggu, yaitu :
Turn arround time = waktu eksekusi + waktu menunggu.
e. Throughput
Adalah jumlah kerja yang dapat diselesaikan dalam satu unit waktu. Cara untuk
mengekspresikan throughput adalah dengan jumlah job pemakai yang dapat
dieksekusi dalam satu unit/interval waktu.
Kriteria-kriteria tersebut saling bergantung dan dapat pula saling bertentangan
sehingga tidak dimungkinkan optimasi semua kriteria secara simultan. contoh : untuk
memberi waktu tanggap kecil memerlukan penjadwalan yang sering beralih ke antara
penjadwalan sebaiknya melibatkan kompromi diantara kebutuhan-kebutuhan yang
saling bertentangan. Kompromi ini bergantung sifat dan penggunaan sistem komputer.
Sasaran penjadwalan berdasarkan kriteria-kriteria optimasi tersebut :
a. Menjamin tiap proses mendapat pelayanan dari pemroses yang adil.
b. Menjaga agar pemroses tetap dalam keadaan sibuk sehingga efisiensi
mencapai maksimum. Pengertian sibuk adalah pemroses tidak menganggur,
termasuk waktu yang dihabiskan untuk mengeksekusi program pemakai dan
sistem operasi.
c. Meminimalkan waktu tanggap.
d. Meminimalkan turn arround time.
e. Memaksimalkan jumlah job yang diproses persatu interval waktu. Lebih
besar angka throughput, lebih banyak kerja yang dilakukan sistem.
2.1.1 Tipe penjadwalan
Menurut Hariyanto ( 2009), terdapat tiga tipe penjadwalan berada secara
bersama-sama pada sistem operasi yang kompleks, yaitu:
1. Penjadwal jangka pendek (short term scheduller)
Bertugas menjadwalkan alokasi pemroses di antara proses-proses ready di memori
utama. Penjadwalan dijalankan setiap terjadi pengalihan proses untuk memilih
proses berikutnya yang harus dijalankan.
2. Penjadwal jangka menengah (medium term scheduller)
Setelah eksekusi selama suatu waktu, proses mungkin menunda sebuah eksekusi
karena membuat permintaan layanan masukan/keluaran atau memanggil suatu
system call. Proses-proses tertunda tidak dapat membuat suatu kemajuan menuju selesai sampai kondisi-kondisi yang menyebabkan tertunda dihilangkan. Agar
ruang memori dapat bermanfaat, maka proses dipindah dari memori utama ke
memori sekunder agar tersedia ruang untuk proses-proses lain. Kapasitas memori
utama terbatas untuk sejumlah proses aktif. Aktivitas pemindahan proses yang
tertunda dari memori utama ke memori sekunder disebut swapping. Proses-proses
kondisi yang membuatnya tertunda hilang dan proses dimasukkan kembali ke
memori utama dan ready.
3. Penjadwal jangka panjang (long term scheduller)
Penjadwal ini bekerja terhadap antrian batch dan memilih batch berikutnya yang harus dieksekusi. Batch biasanya adalah proses-proses dengan penggunaan sumber
daya yang intensif (yaitu waktu pemroses, memori, perangkat masukan/keluaran),
program-program ini berprioritas rendah, digunakan sebagai pengisi (agar
pemroses sibuk) selama periode aktivitas job-job interaktif rendah.
Sasaran penjadwalan berdasarkan tipe-tipe penjadwalan :
a. Memaksimumkan kinerja untuk memenuhi satu kumpulan kriteria yang
diharapkan.
b. Mengendalikan transisi dari suspended to ready (keadaan suspend ke ready)
c. dari proses-proses swapping.
d. Memberi keseimbangan job-job campuran.
2.1.2 Strategi Penjadwalan
Menurut Hariyanto (2009) Terdapat dua strategi penjadwalan, yaitu :
1. Penjadwalan nonpreemptive (run to completion)
Proses diberi jatah waktu oleh pemroses, maka pemroses tidak dapat diambil alih
oleh proses lain sampai proses itu selesai.
2. Penjadwalan preemptive
Proses diberi jatah waktu oleh pemroses, maka pemroses dapat diambil alih proses
lain, sehingga proses disela sebelum selesai dan harus dilanjutkan menunggu jatah
waktu pemroses tiba kembali pada proses itu. Berguna pada sistem dimana
proses-proses yang mendapat perhatian/tanggapan pemroses secara cepat, misalnya :
a. Pada sistem realtime, kehilangan interupsi (tidak layani segera) dapat berakibat fatal.
Penjadwalan secara preemptive baik tetapi harus dibayar mahal. Peralihan proses
memerlukan overhead (banyak tabel yang dikelola). Supaya efektif, banyak proses harus berada di memori utama sehingga proses-proses tersebut dapat segera running
begitu diperlukan. Menyimpan banyak proses tak running benar-benar di memori utama merupakan suatu overhead tersendiri.
2.1.3 Algoritma-algoritma Penjadwalan
Ada beberapa jenis jenis algoritma penjadwalan. algoritma penjadwalan dibagi dalam
dua konsep secara umum :
1. Nonpreemptive, menggunakan konsep :
a. FIFO (First In First Out) atau FCFS (First Come First Serve)
b. SJF (Shortest Job First)
c. HRN (Highest Ratio Next)
d. MFQ (Multiple Feedback Queues)
2. Preemptive, menggunakan konsep :
a. RR (Round Robin)
b. SRF (Shortest Remaining First)
c. PS (Priority Schedulling)
d. GS (Guaranteed Schedulling)
Klasifikasi lain selain berdasarkan dapat/tidaknya suatu proses diambil secara
paksa adalah klasifikasi berdasarkan adanya prioritas di proses-proses, yaitu :
1. Algoritma penjadwalan tanpa berprioritas.
2. Algoritma penjadwalan berprioritas, terdiri dari :
a. Berprioritas statik
b. Berprioritas dinamis
2.2. Algoritma Round Robin
Konsep dasar dari algoritma Round Robin adalah dengan menggunakan time-sharing.
Setiap proses mendapatkan waktu CPU yang disebut dengan waktu quantum
(quantum time) untuk membatasi waktu proses, biasanya 1-100 milidetik.
Setelah waktu habis, proses ditunda dan ditambahkan pada ready queue. Jika suatu
proses memiliki CPU burst lebih kecil dibandingkan dengan waktu quantum, maka
proses tersebut akan melepaskan CPU jika telah selesai bekerja, sehingga CPU dapat
segera digunakan oleh proses selanjutnya.
Sebaliknya, jika suatu proses memiliki CPU burst yang lebih besar dibandingkan
dengan waktu quantum, maka proses tersebut akan dihentikan sementara jika sudah
mencapai waktu quantum, dan selanjutnya mengantri kembali pada posisi ekor dari
ready queue, CPU kemudian menjalankan proses berikutnya. Jika terdapat n proses pada ready queue dan waktu quantum q, maka setiap proses mendapatkan 1/n dari waktu CPU paling banyak q unit waktu pada sekali penjadwalan CPU. Tidak ada proses yang menunggu lebih dari (n-1)q unit waktu ( Tanenbaum, 2001)
Waktu turnarround juga tergantung ukuran waktu quantum. Rata-rata waktu turnarround tidak meningkat bila waktu quantum dinaikkan. Secara umum, rata-rata waktu turnarround dapat ditingkatkan jika banyak proses menyelesaikan CPU burst berikutnya sebagai satu waktu quantum. Sebagai contoh, terdapat tiga proses
masing-masing 10 unit waktu dan waktu quantum 1 unit waktu, rata-rata waktu turnarround adalah 29. Jika waktu quantum 10, sebaliknya, rata-rata waktu turnarround turun menjadi 20.
2. 3. Simulated Annealing
Menurut Mahlke (2006) Algoritma Simulated Annealing diperkenalkan oleh Metropolis et al. Pada tahun 1953, dan aplikasinya dalam masalah optimasi dilakukan
pertama kali oleh Kirkpatrick et al. Tahun 1983. Algoritma ini beranalogi dengan proses annealing (pendinginan) yang diterapkan dalam pembuatan material glassy (terdiri dari butir kristal). Dari sisi ilmu fisika, tujuan sistem ini adalah untuk
meminimasi energi potensial. Fluktuasi kinematika acak menghalangi sistem untuk
mencapai energi potensial yang minimum global, sehingga sistem dapat terperangkap
Dengan menurunkan temperatur sistem, menurut Henry (2012 ) diharapkan energi
dapat dikurangi ke suatu level yang relatif rendah. Semakin lambat laju pendinginan
ini, semakin rendah pula energi yang dapat dicapai oleh sistem pada akhirnya.
Algoritma Simulated Annealing borientasi bagaimana menyelesaikan sebuah
pekerjaan besar dengan pemakain energi yang kecil. Berdasarkan teori tersebut, maka
dianalogikan bahwa algoritma Round Robin membutuhkan sebuah perhitungan nilai
quantum time yang tepat untuk bisa menyelesaikan sejumlah proses dengan waktu yang sangat sedikit.
Algoritma ini penulis analogikan sebagai sebuah algorima yang mampu
menyelesaikan eksekusi jumlah proses yang banyak tetapi membutuhkan waktu yang
lebih sedikit atau sedikit. Jika temperatur dalam algortima simulated annealing
sebagai factor penentu keberhasilan pendinginan maka dalam kasus yang penulis
teliti ini, penentuan quantum time yang menjadi penentu keberhasilan pencapaian
waktu optimal.
Panggabean (2002) mengatakan bahwa algoritma Simulated Annealing secara
umum adalah sebagai berikut:
A. Pilih sebuah solusi awal x0 secara acak dan tetapkan nilai temperature awal. Pada
langkah ke - i, solusi yang current disebut xi. Parameter kontrol adalah ci dan
fi= f(xi).
B. Ulangi langkah -langkah berikut :
1. Buat sebuah neighbour xp dari solusi current xi dan hitung nilai fungsi
objektifnya. State x padalah sebuah kandidat potensial untuk state x(i+1)
2. Set x(i+1) = xp dengan probabilitas min {1,exp((fi – fp )/cI )}. Jika tidak, set x
i+1= xi . Turunkan nilai temperature berdasarkan faktor d tertentu :
cI = cI + dcI . Tambahkan 1 pada jumlah iterasi : i = i + 1.
Algoritma ini pasti akan mengubah state jika nilai fungsi objektif diperbaiki. Namun dengan probabilitas tertentu (yang akan berkurang sebagai fungsi dari jumlah
iterasi), state dapat digantikan dengan yang lebih buruk (namun state terbaik tetap
2.3.1 Parameter Simulated Annealing
Dalam penyelesaian sebuah masalah terdapat beberapa parameter yang di jadikan
sebagai dasar penyelesaian masalah tersebut. Seperti halnya juga dalam algoritma
tentu memiliki parameter dalam penyelesaian masalah. Menurut Pahwa ( 2004)
parameter yang di butuhkan dalam Simulated Annealing adalah sebagai Berikut :
1. Starting Temperature - t
2. Cooling Schedule - α
3. Final temperature / Stopping Rule - Sn()
4. Iterations at given Temperature - N
5. Initial (starting) configuration - S[a,b,c]
6. Transition rule - Tr()
BAB 3
METODE PENELITIAN
3.1 Pendahuluan
Optimasi nilai quantum time pada penjadwalan round robin dapat di lakukan dengan
cara memilih secara acak angka yang tepat yang digunakan untuk menyelesaikan
sejumlah proses tersebut. Hasil dari penyelesaian proses itu nantinya akan di jadikan
sebagai acuan untuk melaksanakan eksekusi terhadap proses berikutnya, sehingga
penggunaan quantum time yang sesuai dapat tepat dapat di temukan. (Tanenbaum, 2001)
Performans algoritma round robin dapat dijelaskan sebagai berikut, jika q besar,
maka yang digunakan adalah algoritma FIFO, tetapi jika q kecil maka sering terjadi
context switch. Misalkan ada 3 proses: P1, P2, dan P3 yang meminta pelayanan CPU
dengan quantum-time sebesar 4 milidetik.
Tabel 3.1 Antrian Proses
Process Burst Time
P1 24
P2 3
P3 3
Penjadwalan proses dengan algoritma round robin dapat dilihat pada gant chart
berikut :
Waktu tunggu untuk P1 adalah 6, P2 adalah 4, dan P3 adalah 7 sehingga rata-rata waktu tunggu adalah (6 + 4 + 7)/3 = 5.66 milidetik. Algoritma Round-Robin ini di
satu sisi memiliki keuntungan, yaitu adanya keseragaman waktu. Namun di sisi lain,
algoritma ini akan terlalu sering melakukan switching seperti yang terlihat pada Gambar 3.1.
Semakin besar quantum-time maka switching yang terjadi akan semakin sedikit. Waktu turnarround juga tergantung ukuran waktu quantum. Rata-rata waktu turnarround tidak meningkat bila waktu quantum dinaikkan. Secara umum, rata-rata waktu turnarround dapat ditingkatkan jika banyak proses menyelesaikan CPU burst berikutnya sebagai satu waktu quantum. Sebagai contoh, terdapat tiga proses
masing-masing 10 unit waktu dan waktu quantum 1 unit waktu, rata-rata waktu turnarround adalah 29. Jika waktu quantum 10, sebaliknya, rata-rata waktu turnarround turun menjadi 20.
Oleh karena di perlukan suatu metode atau cara baru untuk bisa memilih atau
menentukan nilai quantum time yang tepat untuk menyelesaikan eksekusi sejumlah
proses. Dengan asumsi jumlah proses yang berhasil di eksekusi banyak tetapi waktu
yang digunakan sedikit.
Menurut Suwarjono ( 2013) penggunaan Algoritma simulated annealing dapat
memberikan nilai yang optimal untuk menyelesaikan kasus yang memiliki urutan
jadwal order seperti yang terdapat di dalam penjadwalan round robin. Algoritma
Simulated Annealing adalah sebuah algoritma yang berorientasi pada pencapaian hasil
yang maksimal tetapi menggunakan waktu yang sedikit. Metode penyelesaian masalah
yang terdapat dalam algoritma simulated annealing memiliki korelasi yang baik jika di
terapkan untuk menyelesaikan masalah waktu yang cukup kompleks pada
penjadwalan round- robin yakni mencari nilai Turnarround Time minimal. Peranan algorima Simulated Annealing dalam hal ini adalah mencari nilai quantum time yang
mampu meminimalkan average waiting time untuk keseluruhan proses yang sedang
mengantri sehingga di dapatkan Turnarround Time yang minimal.
Pada Penelitian ini, pengaruh nilai quantum time optimal akan terlihat pada
a. Average Waiting Time
b. Turnarround Time
c. Context Switching
Dengan menggunakan parameter nilai alpha yang digunakan pada simulated
annealing dilakukan penelusuran pada penelitian ini untuk membuktikan bahwa
average waiting time, Turn around time, dan context switching bisa menurun atau
waktu yang digunakan lebih sedikit. Namun nilai alpha tersebut akan dipengaruhi oleh
nilai quantum time yang dipilih secara acak untuk menentukan best solution.
3.2 Data Yang Digunakan
Pada penelitian ini, penulis membutuhkan beberapa data input yang terdiri
dari:
1. Jumlah proses
Jumlah proses dalam hal ini adalah banyaknya jumlah proses yang sedang
mengantri dalam satu tumpukan.
2. Arrival Time
Adalah urutan kedatangan sebuah proses yang akan menunggu untuk di
eksekusi
3. Quantum Time
Adalah nilai yang di berikan atau lamanya waktu eksekusi yang di alokasikan
oleh sistem operasi pada masing masing proses secara keseluruhan. dimana
setiap proses akan berganti dengan proses berikutnya apabila quantum
time-nya habis.
4. Burst Time
Adalah alokasi lamanya waktu eksekusi yang telah di alokasikan kepada
masing masing proses sejak proses itu di buat.
5. Time Slice
Adalah jumlah iterasi waktu yang di gunakan untuk mencari nilai quantum
6. Context Switching
Adalah nilai peralihan waktu antar proses ketika di ekseskusi lalu di tunda
dengan proses berikutnya. Semakin sedikit nilai context Switching semakin
banyak jumlah proses yang bisa disedikit rata rata waktu tunggu untuk masing
masing proses
3.3 Prosedure Penyelesain Masalah
Untuk menyelesaikan sebuah masalah dibutuhkan procedure penyelesaian masalah
sebagai pedoman utama dalam penelitian untuk mendapatkan hasil yang baik. Adapun
prosedure penyelesaian masalah dalam penelitan ini dapat dilihat pada diagram alir
berikut ini :
Gambar 3.2 Prosedure Penyelesaian Masalah
Mulai
Input : 1. Jumlah Proses 2. Arrival Time 3. Burst Time 4. Quantum Time 5. Context Switching
Proses :
1. initial solution 2. evaluasi Nilai Fitness
Selesai
Output :
3.4 Optimasi Quantum Time Dengan Simulated Annealing
Prosedur penyelesaian masalah optimasi quantum time dengan simulated annealing
dapat dijelaskan dengan menggunakan diagram alir 3.3 dibawah ini.
3.4.1 Mengeset Nilai Parameter
Langkah awal dalam penyelesaian masalah untuk mencari nilai quantum time dengan
algorima Simulated annealing adalah dengan menentukan parameter yang meliputi :
1. Penentuan Jumlah Proses (t1)
Dalam penelitian ini, jumlah proses yang akan di diesksekusi terlebih dahulu
diset sebagai standar ukuran proses yang mempengaruhi waktu eksekusi.
Semakin banyak jumlah proses maka semakin lama waktu yang akan di
gunakan untuk menyelesaiakan eksekusi proses secara keseluruhan.
2. Burst Time (α)
Burst Time digunakan sebagai jumlah waktu yang di alokasikan pada masing
masing proses sebelum di eksekusi. Burst Time ini bisa berkurang pada saat di
eksekusi dan bahkan bisa bertambah. Tergantung pola manajemen
penjadwalan yang di terapkan oleh system operasi
3. Time Slice ( Sn)
Adalah batasan atau waktu toleransi yang digunakan untuk menyelesaikan
sebuah proses.
4. Quantum Time (N )
Adalah nilai quantum time awal yang diberikan dan nilai ini akan di ganti
dengan nilai yang lain jika hasil yang di dapatkan belum maksimal.
5. Initial (starting) configuration (S[a,b,c])
adalah nilai array yang digunakan untuk dipilih secara acak oleh sistem untuk
menentukan nilai quantum time yang akan di pilih berikutnya.
6. Transition rule ( Tr)
Adalah aturan transisi nilai dari quantum time yang akan digunakan.
7. Current Solution (Ex (S[a,b,c]))
Adalah konfigurasi alternatif yang lain yang digunakan jika nilai turnarround
time yang di dapatkan tidak minimal.
8. Nilai Alpha
Adalah nilai yang mempengaruhi ruang pencarian solusi yang terbaik
Adalah rata rata peralihan waktu antar proses ketika quantum time telah di
alokasikan pada masing masing proses. Nilai Context Switching semakin kecil
semakin bagus.
3.4.2 Menginput Data Problem.
Input data Problem adalah penentuan nilai dari setiap variable yang akan
mempengaruhi eksekusi proses seperti jumlah proses, burst time, arrival time dan nilai quantum time.
3.4.3 Membangkitkan Solusi Awal.
Solusi awal dalam penyelesaian kasus dalam algoritma round robin adalah penentuan
nilai quantum time yang akan di gunakan untuk mengesekusi sejumlah proses yang sedang mengantri serta menghitung berapa nilai average waiting time awal. Kemudian
nilai average waiting time yang di didapatkan di awal iterasi ( time slice) di uji pada
iterasi yang kedua dengan membangkitkan nilai quantum time secara acak.
3.4.4 Menampilkan Solusi Yang Terbaik.
Setelah nilai quantum time di tentukan dan eksekusi di jalankan, akan ditampilkan berapa lama waktu yang digunakan untuk menyelesaikan sejumlah proses tadi dengan
harapan nilai yang didapatkan adalah nilai yang terbaik saat itu ( current solution ).
3.4.5 Kriteria Terpenuhi
Jika hasil yang di dapatkan adalah nilai yang optimal maka tujuan tercapai dan
pencarian solusi terbaik di hentikan. Tetapi jika nilai yang di dapat tidak optimal,
maka di lakukan pencatatan nilai quantum time yang baru dan di uji kembali apakah
optimal atau tidak. Jika optimal maka solusi terbaik di dapatkan dan proses di
berhentikan, iterasi akan terus di lakukan jika solusi yang di berikan masih belum
mendapatkan nilai yang optimal. Pencarian solusi terbaik akan berhenti jika time slice
yang dialokasikan telah memenuhi nilai batas maksimum. Pada akhir iterasi ini akan
di tampilkan Quantum Time, current solution, turnaround time, context switching time
BAB 4
HASIL DAN PEMBAHASAN
4.1 Pendahuluan
Penulis membangun program untuk optimasi nilai ( waktu ) turnaround time pada penjadwalan round robin dengan mencari nilai quantum time yang optimal dengan
menerapkan fungsi algoritma simulated annealing dengan menggunakan bahasa
pemrograman JAVA. Pada penelitian ini akan ditampilkan hasil pencarian angka
quantum time yang dilakukan oleh simulated annealing yang diambil secara acak
dengan range angka tidak boleh sama dengan satu dan nilai maksimal tidak melebihi
nilai burst time yang dialokasikan pada setiap proses saat itu. Nilai quantum time yang
akan dipilih secara acak di ambil dan diuji oleh fungsi dari simulated annealing. Dari
setiap angka yang dipilih akan dibandingkan apakah nilai average waiting time yang
dihasilkan lebih kecil atau masih bisa dikecilkan lagi. Jika masih bisa dikecilkan maka
akan simulated annealing akan memilih angka yang lain dan membandingkan hasilnya
dengan nilai average waiting yang yang didapat sebelumnya. Iterasi akan terus
dilakukan sampai ditemukan average waiting time yang optimal atau Turnarround Time. Metode ini bersifat heuristic dimana hasil yang terbaik yang di dapat saat itu akan disimpan dan dijadikan sebagai acuan untuk mempercepat pencarian solusi
berikutnya apabila ditemukan proses proses yang akan di eksekusi memiliki
kesamaan nilai nilai burst time yang dialokasikan.
4.2 Pengujian
Penerapan Algoritma Simulated Annealing pada penjadwalan round robin terdiri dari
beberapa tahapan. Salah satu tahapan yang pada penelitian ini adalah penentuan
jumlah proses dan alokasi burst time pada masing masing proses tersebut. Pada
penelitian ini optimasi nilai turnaround time yang dipengaruhi secara langsung oleh
1. Nilai alpha ( 0,90 dan 0,99 )
2. Inisial Context Switching ( nilai awal 110 dan nilai akhir 0,5 )
3. Jumlah Proses
4. Burst Time
5. Iterasi
4.3. Hasil Uji Coba
Pada penelitian ini, penentuan Quantum time yang optimal ditentukan dengan menggunakan algoritma Simulated annealing. Pengujian dilakukan dengan
menerapkan dua jenis parameter yang berbeda dan masing-masing parameter diuji
pada tiga jenis proses yang berbeda yaitu 100, 150 dan 200 proses.
4.4 Uji Coba Pada 100 Proses
Uji coba pada 100 proses menggunakan dataset yang ditampilkan pada table 4.1. Pada
table tersebut ditampilkan jumlah proses dan nilai burst time tiap proses.
Tabel 4.1. Dataset 100 Proses
Proses Burst Time
P1 - P10
bernilai 40, P3 bernilai 40 dan prosess terakhir (P100) bernilai 17.
4.4.1. Parameter 1
Pada pengujian ini, parameter yang diterapkan adalah koefisien alpha atau factor
pendinginan sebesar 0.90, jumlah proses sebesar 100, initial Context Switching atau
nilai Context Switching awal sebesar 110, final Context Switching atau Context Switching akhir sebesar 0,5 dan iterasi bernilai satu. Parameter-parameter tersebut
Tabel 4.2 Parameter 1 100 proses
Hasil pengujian dengan menerapkan parameter-parameter pada table 4.1 di atas dapat
ditampilkan pada table 4.3 berikut ini. Pada table tersebut ditampilkan nilai quantum
time, Average Waiting Time (AWT), context switching, Turnarround Time, current solution dan Context Switching. Quantum time dibangkitkan secara random dengan batasan nilai tertentu dengan batas bawah bernilai dua dan batas atas bernilai di bawah
burst time maksimum dari keseluruhan proses yang sedang diuji. Pada tabel 4.1 di atas, nilai burst time maksimum adalah 345, sehingga pada pengujian ini, nilai
Quantum time maksimum yang diijinkan adalah 344.
Tabel 4.3 Hasil Pengujian Parameter 1 dengan 100 proses
Quantum time
Pada tabel 4.3 di atas ditampilkan bahwa pada awal iterasi, nilai average waiting
time awal adalah sebesar 3663.88 ms, nilai ini diperoleh dari Quantum time sebesar
314 pada Context Switching 110. Nilai average waiting time pada iterasi pertama
tersebut di update atau diperbaharui menjadi 3371 ms pada iterasi ke 25 dengan quantum time sebesar 100 dan Context Switching 8,77. Pengujian sampai mencapai
Context Switching final yaitu 0,46 diperoleh nilai average waiting time terkecil dari keseluruhan iterasi atau Turnarround Time sebesar 3329,47. Nilai Turnarround Time tersebut diperoleh pada quantum time 14 pada iterasi ke 8, dan Context Switching 52.6
4.4.4. Best seeking
Best seeking adalah proses penelusuran solusi terbaik mulai dari iterasi / Context Switching awal sampai iterasi/Context Switching akhir. Solusi terbaik atau
Turnarround Time adalah nilai average waiting time terkecil yang diperoleh sejauh ini. Pada tabel 4.5 berikut ini ditampilkan sebahagian hasil penelusuran Turnarround
Time untuk 100 proses menggunakan parameter 1 dan burst time yang berbeda-beda. Tabel 4.4 Turnarround Time Parameter 1 dengan 100 proses
6 65 3586.58 34 3.4 3329.47
7 58.5 3586.58 35 3.06 3329.47
8 52.6 3371 36 2.75 3329.47
9 47.4 3371 37 2.48 3329.47
10 42.6 3371 38 2.23 3329.47
14 28 3371 39 2.01 3329.47
15 25.2 3371 40 1.81 3329.47
16 22.6 3371 41 1.63 3329.47
17 20.4 3371 42 1.46 3329.47
18 18.3 3371 43 1.32 3329.47
19 16.5 3371 44 1.19 3329.47
20 14.9 3371 45 1.07 3329.47
21 13.4 3371 46 0.96 3329.47
22 12 3371 47 0.86 3329.47
23 10.8 3371 48 0.78 3329.47
24 9.75 3371 49 0.7 3329.47
25 8.77 3371 50 0.63 3329.47
26 7.9 3371 51 0.57 3329.47
27 7.11 3329.47 52 0.51 3329.47
28 6.4 3329.47 53 0.46 3329.47
Pada tabel 4.4 di atas ditampilkan bahwa pada iterasi awal diperoleh Turnarround
Time sebesar 3663.88. Namun pada iterasi ke dua didapatkan Turnarround Time lebih kecil dari hasil iterasi pertama yakni sebesar 3586.58. Hasil ini juga di uji pada iterasi ketiga, dan di dapatkan nilai Turnarround Time yang sama pada iterasi yang ke tujuh.
Pada iterasi delapan diperoleh nilai average waiting time yang lebih kecil yaitu
sebesa 3371 nilai tersebut dipertahankan sampai pada iterasi ke 27. Pada iterasi yang ke 28 di dapatkan hasil pengujian sebesar 3329.47. nilai ini terus di uji coba pada
sampai iterasi ke 53 di dapatkan nilai 3329.47. Pengujian terhenti sampai pada iterasi
yang ke 53 karena nilai Context Switching akhir sudah terpenuhi yakni 0,46
Proses penelusuran atau best seeking pada tabel 4.4 di atas dapat ditampilkan pada
Gambar 4.1 Grafik Penelusuran Nilai quantum time pada parameter 1 dengan 100
proses
Pada algoritma Simulated Annealing , nilai Context Switching awal selalu lebih
besar dari nilai Context Switching akhir, dengan kata lain terjadi proses pendinginan
atau cooling. Pada pengujian ini, nilai Context Switching awal adalah 110 dan nilai
Context Switching ini akan diturunkan dengan factor 0.90 sampai diperoleh nilai
Context Switching akhir yaitu 0.46. Grafik penurunan Context Switching dapat
ditampilkan pada gambar 4.2 berikut ini.
Gambar 4.2 Grafik Penurunan Context Switching dengan alpha 0.90 pada 100 proses
4.4.5 Parameter 2
Pada pengujian ini, parameter yang diterapkan adalah koefisien alpha atau factor
pendinginan sebesar 0.99, jumlah proses sebesar 100, initial Context Switching atau 3100
3200 3300 3400 3500 3600 3700
1 11 21 31 41 51
A
v
e
rag
e
Wai
tn
g
Ti
m
e
Iterasi
Grafik Best Seeking
0 50 100 150
1 11 21 31 41 51
Co
n
te
xt
S
wi
tc
h
in
g
Iterasi
nilai Context Switching awal sebesar 110, final Context Switching atau Context Switching akhir sebesar 0,5 dan iterasi bernilai satu. Parameter-parameter tersebut
ditampilkan pada table 4.1 berikut ini :
Tabel 4.5 Parameter dua 100 proses dengan alpha 0,99 Alpha Jumlah
4.4..6 Hasil Pengujian Parameter 2
Hasil pengujian dengan menerapkan parameter-parameter pada table 4.5 di atas dapat
ditampilkan pada table 4.6 berikut ini. Pada table tersebut ditampilkan nilai quantum
time, Average Waiting Time (AWT), current solution, working solution, Turnarround Time dan Context Switching. Quantum time dibangkitkan secara random dengan batasan nilai tertentu dengan batas bawah bernilai dua dan batas atas bernilai di bawah
burst time maksimum dari keseluruhan proses yang sedang diuji. Pada tabel 4.1 di atas, nilai burst time maksimum adalah 345, sehingga pada pangujian ini, nilai
Quantum time maksimum yang diijinkan adalah 344, namun nilai alpha yang
digunakan adalah 0,99.
Tabel 4. 6 Hasil Pengujian Parameter 2 dengan 100 proses
Quantum time AWT
Current Solution Turnarround Time Context Switching
152 3760.13 3293.66 3292.57 0.51
Quantum time AWT
Current Solution Turnarround Time Context Switching
34 3356.41 3293.66 3292.57 0.51
Quantum time AWT
Current Solution Turnarround Time Context Switching
195 3649.52 3293.66 3292.57 0.50
Pada tabel 4.6 di atas ditampilkan sebagian data bahwa pada awal iterasi, nilai
average waiting time awal adalah sebesar 3674.29 ms, nilai ini diperoleh dari
Quantum time sebesar 330 pada Context Switching 110. Nilai average waiting time
pada iterasi pertama tersebut di update atau diperbaharui dan terus di uji untuk mendapatkan average waiting time paling kecil. Pengujian dilakukan sampai
mencapai Context Switching final yaitu 0,50 diperoleh nilai average waiting time terkecil dari keseluruhan iterasi atau Turnarround Time sebesar 3292.57. Nilai Turnarround Time tersebut diperoleh pada quantum time sebesar 11 pada iterasi ke 57, dengan Context Switching 52.6.
4. 4.7 Best Seeking
Pada tabel 4.7 berikut ini ditampilkan hasil penelusuran Turnarround Time untuk 100
Tabel 4.7 Turnarround Time Parameter 2 dengan 100 proses
Iterasi C. Switching T. Time Iterasi C.Switching T. Time
1 110.00 3674.29 51 66.55 3365.72
2 108.90 3658.69 52 65.89 3365.72
3 107.81 3606.38 53 65.23 3365.72
4 106.73 3606.38 54 64.57 3365.72
5 105.67 3606.38 55 63.93 3365.72
6 104.61 3606.38 56 63.29 3365.72
7 103.56 3606.38 57 62.66 3292.57
8 102.53 3606.38 58 62.03 3292.57
9 101.50 3606.38 59 61.41 3292.57
10 100.49 3606.38 60 60.80 3292.57
11 99.48 3606.38 61 60.19 3292.57
12 98.49 3592.66 62 59.59 3292.57
13 97.50 3592.66 63 58.99 3292.57
14 96.53 3592.66 64 58.40 3292.57
15 95.56 3592.66 65 57.82 3292.57
16 94.61 3592.66 66 57.24 3292.57
17 93.66 3579.19 67 56.67 3292.57
18 92.72 3579.19 68 56.10 3292.57
19 91.80 3579.19 69 55.54 3292.57
20 90.88 3579.19 70 54.98 3292.57
21 89.97 3371 71 54.43 3292.57
22 89.07 3371 72 53.89 3292.57
23 88.18 3371 73 53.35 3292.57
24 87.30 3371 74 52.82 3292.57
25 86.42 3371 75 52.29 3292.57
26 85.56 3371 76 51.76 3292.57
27 84.70 3371 77 51.25 3292.57
28 83.86 3371 78 50.73 3292.57
29 83.02 3371 79 50.23 3292.57
30 82.19 3371 80 49.72 3292.57
31 81.37 3365.72 81 49.23 3292.57
32 80.55 3365.72 82 48.74 3292.57
33 79.75 3365.72 83 48.25 3292.57
34 78.95 3365.72 84 47.77 3292.57
35 78.16 3365.72 85 47.29 3292.57
36 77.38 3365.72 86 46.81 3292.57
37 76.61 3365.72 87 46.35 3292.57
38 75.84 3365.72 88 45.88 3292.57
39 75.08 3365.72 89 45.42 3292.57
40 74.33 3365.72 90 44.97 3292.57
41 73.59 3365.72 91 44.52 3292.57
42 72.85 3365.72 92 44.08 3292.57
43 72.12 3365.72 93 43.63 3292.57
44 71.40 3365.72 94 43.20 3292.57
45 70.69 3365.72 95 42.77 3292.57
46 69.98 3365.72 96 42.34 3292.57
47 69.28 3365.72 97 41.92 3292.57
48 68.59 3365.72 98 41.50 3292.57
49 67.90 3365.72 99 41.08 3292.57
Iterasi C. Switching T. Time Iterasi C.Switching T.Time
101 40.26 3292.57 151 24.36 3292.57
102 39.86 3292.57 152 24.12 3292.57
103 39.46 3292.57 153 23.87 3292.57
104 39.07 3292.57 154 23.64 3292.57
105 38.68 3292.57 155 23.40 3292.57
106 38.29 3292.57 156 23.17 3292.57
107 37.91 3292.57 157 22.93 3292.57
108 37.53 3292.57 158 22.70 3292.57
109 37.15 3292.57 159 22.48 3292.57
110 36.78 3292.57 160 22.25 3292.57
111 36.41 3292.57 161 22.03 3292.57
112 36.05 3292.57 162 21.81 3292.57
113 35.69 3292.57 163 21.59 3292.57
114 35.33 3292.57 164 21.38 3292.57
115 34.98 3292.57 165 21.16 3292.57
116 34.63 3292.57 166 20.95 3292.57
117 34.28 3292.57 167 20.74 3292.57
118 33.94 3292.57 168 20.53 3292.57
119 33.60 3292.57 169 20.33 3292.57
120 33.26 3292.57 170 20.13 3292.57
121 32.93 3292.57 171 19.92 3292.57
122 32.60 3292.57 172 19.72 3292.57
123 32.28 3292.57 173 19.53 3292.57
124 31.95 3292.57 174 19.33 3292.57
125 31.63 3292.57 175 19.14 3292.57
126 31.32 3292.57 176 18.95 3292.57
127 31.00 3292.57 177 18.76 3292.57
128 30.69 3292.57 178 18.57 3292.57
129 30.39 3292.57 179 18.38 3292.57
130 30.08 3292.57 180 18.20 3292.57
131 29.78 3292.57 181 18.02 3292.57
132 29.49 3292.57 182 17.84 3292.57
133 29.19 3292.57 183 17.66 3292.57
134 28.90 3292.57 184 17.48 3292.57
135 28.61 3292.57 185 17.31 3292.57
136 28.32 3292.57 186 17.14 3292.57
137 28.04 3292.57 187 16.96 3292.57
138 27.76 3292.57 188 16.79 3292.57
139 27.48 3292.57 189 16.63 3292.57
140 27.21 3292.57 190 16.46 3292.57
141 26.94 3292.57 191 16.30 3292.57
142 26.67 3292.57 192 16.13 3292.57
143 26.40 3292.57 193 15.97 3292.57
144 26.14 3292.57 194 15.81 3292.57
145 25.87 3292.57 195 15.65 3292.57
146 25.62 3292.57 196 15.50 3292.57
147 25.36 3292.57 197 15.34 3292.57
148 25.11 3292.57 198 15.19 3292.57
149 24.85 3292.57 199 15.04 3292.57
Iterasi C. Switching T. Time Iterasi C. Switching T.Time
201 14.74 3292.57 251 8.92 3292.57
202 14.59 3292.57 252 8.83 3292.57
203 14.44 3292.57 253 8.74 3292.57
204 14.30 3292.57 254 8.65 3292.57
205 14.16 3292.57 255 8.57 3292.57
206 14.02 3292.57 256 8.48 3292.57
207 13.88 3292.57 257 8.39 3292.57
208 13.74 3292.57 258 8.31 3292.57
209 13.60 3292.57 259 8.23 3292.57
210 13.46 3292.57 260 8.15 3292.57
211 13.33 3292.57 261 8.06 3292.57
212 13.20 3292.57 262 7.98 3292.57
213 13.06 3292.57 263 7.90 3292.57
214 12.93 3292.57 264 7.82 3292.57
215 12.80 3292.57 265 7.75 3292.57
216 12.68 3292.57 266 7.67 3292.57
217 12.55 3292.57 267 7.59 3292.57
218 12.42 3292.57 268 7.52 3292.57
219 12.30 3292.57 269 7.44 3292.57
220 12.18 3292.57 270 7.37 3292.57
221 12.05 3292.57 271 7.29 3292.57
222 11.93 3292.57 272 7.22 3292.57
223 11.81 3292.57 273 7.15 3292.57
224 11.70 3292.57 274 7.08 3292.57
225 11.58 3292.57 275 7.01 3292.57
226 11.46 3292.57 276 6.94 3292.57
227 11.35 3292.57 277 6.87 3292.57
228 11.24 3292.57 278 6.80 3292.57
229 11.12 3292.57 279 6.73 3292.57
230 11.01 3292.57 280 6.66 3292.57
231 10.90 3292.57 281 6.60 3292.57
232 10.79 3292.57 282 6.53 3292.57
233 10.68 3292.57 283 6.46 3292.57
234 10.58 3292.57 284 6.40 3292.57
235 10.47 3292.57 285 6.34 3292.57
236 10.37 3292.57 286 6.27 3292.57
237 10.26 3292.57 287 6.21 3292.57
238 10.16 3292.57 288 6.15 3292.57
239 10.06 3292.57 289 6.09 3292.57
240 9.96 3292.57 290 6.03 3292.57
241 9.86 3292.57 291 5.96 3292.57
242 9.76 3292.57 292 5.91 3292.57
243 9.66 3292.57 293 5.85 3292.57
244 9.57 3292.57 294 5.79 3292.57
245 9.47 3292.57 295 5.73 3292.57
246 9.38 3292.57 296 5.67 3292.57
247 9.28 3292.57 297 5.62 3292.57
248 9.19 3292.57 298 5.56 3292.57
249 9.10 3292.57 299 5.50 3292.57
Iterasi C.Switching T. Time Iterasi C. Switching T. Time
301 5.39 3292.57 351 3.26 3292.57
302 5.34 3292.57 352 3.23 3292.57
303 5.29 3292.57 353 3.20 3292.57
304 5.23 3292.57 354 3.17 3292.57
305 5.18 3292.57 355 3.14 3292.57
306 5.13 3292.57 356 3.10 3292.57
307 5.08 3292.57 357 3.07 3292.57
308 5.03 3292.57 358 3.04 3292.57
309 4.98 3292.57 359 3.01 3292.57
310 4.93 3292.57 360 2.98 3292.57
311 4.88 3292.57 361 2.95 3292.57
312 4.83 3292.57 362 2.92 3292.57
313 4.78 3292.57 363 2.89 3292.57
314 4.73 3292.57 364 2.86 3292.57
315 4.69 3292.57 365 2.84 3292.57
316 4.64 3292.57 366 2.81 3292.57
317 4.59 3292.57 367 2.78 3292.57
318 4.55 3292.57 368 2.75 3292.57
319 4.50 3292.57 369 2.72 3292.57
320 4.46 3292.57 370 2.70 3292.57
321 4.41 3292.57 371 2.67 3292.57
322 4.37 3292.57 372 2.64 3292.57
323 4.32 3292.57 373 2.62 3292.57
324 4.28 3292.57 374 2.59 3292.57
325 4.24 3292.57 375 2.56 3292.57
326 4.20 3292.57 376 2.54 3292.57
327 4.15 3292.57 377 2.51 3292.57
328 4.11 3292.57 378 2.49 3292.57
329 4.07 3292.57 379 2.46 3292.57
330 4.03 3292.57 380 2.44 3292.57
331 3.99 3292.57 381 2.41 3292.57
332 3.95 3292.57 382 2.39 3292.57
333 3.91 3292.57 383 2.37 3292.57
334 3.87 3292.57 384 2.34 3292.57
335 3.83 3292.57 385 2.32 3292.57
336 3.79 3292.57 386 2.30 3292.57
337 3.76 3292.57 387 2.27 3292.57
338 3.72 3292.57 388 2.25 3292.57
339 3.68 3292.57 389 2.23 3292.57
340 3.65 3292.57 390 2.21 3292.57
341 3.61 3292.57 391 2.18 3292.57
342 3.57 3292.57 392 2.16 3292.57
343 3.54 3292.57 393 2.14 3292.57
344 3.50 3292.57 394 2.12 3292.57
345 3.47 3292.57 395 2.10 3292.57
346 3.43 3292.57 396 2.08 3292.57
347 3.40 3292.57 397 2.06 3292.57
348 3.36 3292.57 398 2.04 3292.57
349 3.33 3292.57 399 2.01 3292.57
Iterasi C.Switching T. Time Iterasi C. Switching T. Time
401 1.97 3292.57 451 1.19 3292.57
402 1.95 3292.57 452 1.18 3292.57
403 1.94 3292.57 453 1.17 3292.57
404 1.92 3292.57 454 1.16 3292.57
405 1.90 3292.57 455 1.15 3292.57
406 1.88 3292.57 456 1.14 3292.57
407 1.86 3292.57 457 1.12 3292.57
408 1.84 3292.57 458 1.11 3292.57
409 1.82 3292.57 459 1.10 3292.57
410 1.80 3292.57 460 1.09 3292.57
411 1.79 3292.57 461 1.08 3292.57
412 1.77 3292.57 462 1.07 3292.57
413 1.75 3292.57 463 1.06 3292.57
414 1.73 3292.57 464 1.05 3292.57
415 1.72 3292.57 465 1.04 3292.57
416 1.70 3292.57 466 1.03 3292.57
417 1.68 3292.57 467 1.02 3292.57
418 1.66 3292.57 468 1.01 3292.57
419 1.65 3292.57 469 1.00 3292.57
420 1.63 3292.57 470 0.99 3292.57
421 1.62 3292.57 471 0.98 3292.57
422 1.60 3292.57 472 0.97 3292.57
423 1.58 3292.57 473 0.96 3292.57
424 1.57 3292.57 474 0.95 3292.57
425 1.55 3292.57 475 0.94 3292.57
426 1.54 3292.57 476 0.93 3292.57
427 1.52 3292.57 477 0.92 3292.57
428 1.51 3292.57 478 0.91 3292.57
429 1.49 3292.57 479 0.90 3292.57
430 1.48 3292.57 480 0.89 3292.57
431 1.46 3292.57 481 0.88 3292.57
432 1.45 3292.57 482 0.87 3292.57
433 1.43 3292.57 483 0.87 3292.57
434 1.42 3292.57 484 0.86 3292.57
435 1.40 3292.57 485 0.85 3292.57
436 1.39 3292.57 486 0.84 3292.57
437 1.38 3292.57 487 0.83 3292.57
438 1.36 3292.57 488 0.82 3292.57
439 1.35 3292.57 489 0.82 3292.57
440 1.33 3292.57 490 0.81 3292.57
441 1.32 3292.57 491 0.80 3292.57
442 1.31 3292.57 492 0.79 3292.57
443 1.29 3292.57 493 0.78 3292.57
444 1.28 3292.57 494 0.78 3292.57
445 1.27 3292.57 495 0.77 3292.57
446 1.26 3292.57 496 0.76 3292.57
447 1.24 3292.57 497 0.75 3292.57
448 1.23 3292.57 498 0.74 3292.57
449 1.22 3292.57 499 0.74 3292.57
