PROPOSAL
PENELITIAN DOKTOR BARU
DANA ITS TAHUN 2020
Pengembangan Model dan Algoritma Generik Berbasis Hyper-heuristic Untuk
Otomasi dan Optimasi Penyelesaian Permasalahan Penjadwalan dan Perencanaan
di Lingkungan Akademik
Tim Peneliti:Ahmad Muklason, S.Kom., M.Sc., Ph.D. (Departemen Sistem Informasi/ FT-EIC) Edwin Riksakomara, S. Kom., M.T. (Departemen Sistem Informasi/FT-EIC) Faizal Mahananto, S.Kom., M.Sc., Ph.D. (Departemen Sistem Informasi/ FT-EIC)
Raras Tyasnurita, S.Kom., M.BA. (Departemen Sistem Informasi/ FT-EIC)
DIREKTORAT RISET DAN PENGABDIAN KEPADA MASYARAKAT
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2020
1 BAB I RINGKASAN
Permasalahan otomasi dan optimasi penjadwalan dan perencanaan adalah permasalahan yang menarik untuk dikaji, baik secara teoritis maupun dari sisi praktis. Secara teoritis, dalam ilmu komputer permasalahan ini masuk dalam permasalahan Non-deterministik Polynomial (NP)-hard. Karena masuk permasalahan NP-hard, hingga saat ini belum diketahui ada algoritma esak yang dapat menyelesaikan permasalahan ini dalam waktu polynomial. Kompleksitas permasalahan ini telah banyak menarik perhatian para peneliti khususnya di bidang kecerdasan buatan dan riset operasi selama puluhan tahun. State-of-the-art pendekatan untuk menyelesaikan permasalahan NP-hard adalah meta-heuristics. Akan tetapi, pendekatan ini memiliki kekurangan yaitu diperlukan parameter tunning untuk setiap domain permasalahan secara spesifik. Penelitian ini bertujuan untuk mengembangkan model permasalahan penjadwalan dan perencanaan di lingkungan akademik, e.g. penjadwalan kuliah, penjadwalan ujian, penjadwalan penggunaan ruangan, sekaligus algoritma untuk menyelesaikan permasalahan tersebut. Algoritma yang dikembangkan dalam penelitian ini adalah algoritma dengan pendekatan hyper-heuristics. Keunggulan pendekatan ini dibanding dengan meta-heuristics adalah kemampuanya untuk melakukan automated parameter-tunning, sehingga dapat menjadi algoritma yang generic yang tidak hanya menyelesaikan satu permasalahan yang spesifik tetapi bisa lintas domain permasalahan. Hasil yang diharapkan dari penelitian ini dari sisi keilmuan adalah model matematis dari permasalahan otomasi dan optimasi penjadwalan dan perencanaan di lingkungan akademik berikut algoritma untuk menyelesaikan model tersebut, sehingga dihasilkan dataset dan problem baru untuk mendorong penelitian lebih lanjut berikutnya. Sedangkan dari segi praktis luaran yang diharapkan dari penelitian ini adalah piranti lunak cerdas untuk otomasi dan optimasi permasalahan penjadwalan dan perencanaan di lingkungan akademik.
2 BAB II LATAR BELAKANG
2.1 Latar Belakang
Permasalahan penjadwalan dan perencanaan dalam hal otomasi proses dan optimasi adalah permasalahan yang menarik sekaligus menantang baik dari sudut pandang keilmuan maupun sudut praktis. Dari segi keilmuwan, permasalahan ini telah menarik para peneliti, khususnya di bidang kecerdasan buatan dan riset operasi, selama beberapa dekade terakhir sebagaimana telah didiskusikan di [1]. Walaupun sudah puluhan tahun diteliti, permasalahan ini masih menarik untuk dikaji. Hal ini dikarenakan permasalahan penjadwalan ini merupakan salah satu permalahan yang telah dibuktikan sebagai permasalahan NP-hard [2], dimana belum diketahui algoritma esak yang dapat menyelesaikan permasalahan optimasi ini dalam waktu polynomial.
Dari sudut pandang praktis, permasalahan penjadwalan ini juga merupakan permasalahan yang menantang. Hal ini disebabkan karena banyaknya batasan, constraints, yang harus diperhatikan. Seperti memastikan tidak ada mahasiswa yang jadwalnya bentrok, ketersediaan ruangan, permintaan dosen yang hanya bisa mengajar pada hari dan jam tertentu saja. Permasalahan ini semakin kompleks ketika beberapa mata kuliah dikelola di level universitas, dimana sebuah mata kuliah bisa diambil dari program studi apa saja di Institut Teknologi Sepuluh Nopember (ITS). Demikian juga, ketika mahasiswa diwajibkan mengambil mata kuliah pengayaan yang harus diambil dari pogram studi lain. Hal ini mengakibatkan proses penjadwalan mata kuliah maupun ujian menjadi sangat kompleks dan membutuhkan waktu yang lama. Tantangan ke depan juga semakin pelik ketika mahasiswa dapat mengambil program double degree, yaitu mahasiswa dapat mengambil dua program studi sekaligus, seperti program studi statistika dengan informatika, program studi matematika dengan sistem informasi.
Di ITS, selama ini masalah penjadwalan di tangani oleh departemen untuk penjadwalan mata kuliah program studi, dan oleh Seksi Pengelolaan Kuliah Bersama (SPKB) untuk penjadwalan mata kuliah wajib ITS. Penelitian kami sebelumnya[3], menunjukkan bahwa baik di departemen maupun di SPKB, penjadwalan masih dilakukan secara manual. Penjadwalan secara manual ini membutuhkan waktu lebih kurang selama dua minggu.
3 Oleh karena itu penelitian ini bertujuan untuk mengembangkan piranti lunak cerdas yang dapat melakukan otomasi dan optimasi proses penjadwalan dan perencanaan di ITS khususnya yang berkaitan dengan kegiatan akademik. Proses penjadwalan dan perencanaan akademik disini termasuk penjadwalan kuliah, penjadwalan ujian tengah dan akhir semester, serta perencanaan penggunaan ruangan yang ada di lingkungan ITS. Disamping secara keilmuwan, penelitian ini bertujuan untuk mengembangkan algoritma genrik berbasis hyper-heuristics untuk menyelesaikan permasalahan penjadwalan yang harapanya memiliki performa lebih bagus dari algoritma yang sudah ada di literatur sebelumnya.
2.2 Perumusan dan Pembatasan Masalah
Secara ringkas, rumusan permasalahan dalam penelitian ini adalah sebagai berikut:
1. Bagaimana model matematis untuk permasalahan otomasi dan optimasi proses penjadwalan dan perencanaan di lingkungan akademik?
2. Bagaimana algoritma generic dengan pendekatan hyper-heuristics yang tepat untuk menyelesiakan permasalahan otomasi dan optimasi proses penjadwalan dan perencanaan di lingkungan akademik?
3. Bagaiamana performa algortima hyper-heuristic yang diusulkan, khususnya jika dibandingkan dengan algoritma lain di literatur.
Adapun batasan masalah dari penelitian ini adalah sebagai berikut: 1. Studi kasus penelitian ini adalah di lingkungan ITS Surabaya
2. Fokus penelitian ini adalah pengembangan model matematis dan pengembangan algoritma.
2.3 Tujuan
Tujuan dari penelitian ini adalah untuk mengembangkan model matematis untuk permasalahan otomasi dan optimasi penjadwalan dan perencanaan di lingkungan akademik. Selain model matematis, juga akan dikembangkan algoritma generic berbasis hyper-heuristics untuk menyelesaikan permasalahan tersebut. Hyper-heuristics merupakan pengembangan dari algoritma
4 2.4 Relevansi
Penelitian ini selaras dengan semangat road map penelitian pusat kajian Kecerdasan Artifisial dan Teknologi Kesehatan, yaitu pada bidang business and manufacturing, khususnya pada topik manufacturing process optimization dan Intelligent Business.
5 BAB III TINJAUAN PUSTAKA
Untuk memberi konteks dari penelitian ini dan menggaris bawahi gap antara kontribusi penelitian ini dengan penelitian-penelitian sebelumnya di literatur. Bab ini membahas teori penunjang dan penelitian-penelitian sebelumnya yang terkait dengan penelitian ini. Adapun teori penunjang dan studi penelitian sebelumnya yang terkait dengan penelitian ini adalah sebagai berikut.
3.1 Teori Penunjang
Dua dasar teori paling penting dari penelitian ini adalah permasalahan penjadwalan dan algoritma hyper-heuristic, yang dapat dijelaskan sebagai berikut:
3.1.1 Permasalahan Penjadwalan
Permasalahan penjadwalan merupakan permasalahan yang menarik untuk dikaji. Permasalahan ini sudah dikaji lebih dari empat dekade terakhir khususnya di bidang Artificial Intelligence dan
operation research. Permasalahan penjadwalan merupakan bagian dari permasalahan optimasi
kombinatorik. Secara ringkas, pada [5] permasalahan optimasi kombinatorik dedefinisikan sebagai berikut:
“Mathematical study of finding an optimal arrangement, grouping, ordering, or selection of discrete objects usually finite in numbers.”
Dari definisi di atas dapat dikatakan bahwa pada prinsipnya masalah penjadwalan adalah bagaimana menemukan arrangement, penyusunan jadwal yang paling optimal.
Di literatur, untuk permasalahan penjadwalan ini terdapat beberapa istilah yang berbeda yaitu:
timetabling, scheduling, sequencing dan rostering. Pada penelitian ini istilah penjadwalan yang
dimaksud adalah timetabling. Perbedaan antara keempat istilah ini, dijelaskan di [7] sebagai berikut.
Definisi Timetabling:
the allocation, subject to constraints, of given resources to objects being placed in space-time, in such a way as to satisfy as nearly as possible a set of desirable objectives. Examples are class and examination timetabling and some forms of personnel allocation, for example manning of toll booths subject to a given number of personnel.
6 Definisi Scheduling:
the allocation, subject to constraints, of resources to objects being placed in space-time, in such a way as to minimize the total cost of some set of the resources used. Common examples are transport scheduling or delivery vehicle routing which seek to minimize the numbers of vehicles or drivers and within that minimum to minimize the total cost, and job shop scheduling which may seek to minimize the number of time periods used, or some physical resource.
Definisi Sequncing:
the construction, subject to constraints, of an order in which activities are to be carried out or objects are to be placed in some representation of a solution. Examples are flow-shop scheduling and the travelling salesman problem.
Definisi Rostering:
the placing, subject to constraints, of resources into slots in a pattern. One may seek to minimize some objective, or simply to obtain a feasible allocation. Often the resources will rotate through a roster.
Lebih khusus lagi, pada [7] masalah penjadwalan, timetabling, didefinisikan sebagai permasalahan dengan empat parameter: T, himpunan hingga dari waktu; R, himpunan hingga dari resource, sumberdaya; M, himpunan hingga dari meetings, pertemuan; dan C, himpunan hingga dari
constraints. Masalahnya adalah bagaimana mengalokasikan waktu dan sumber daya ke pertemuan
sedemikian hingga semua constraints terpenuhi semaksimal mungkin.
Pada [8], permasalahan timetabling dibagi menjadi tiga sub kelas. Pertama, penjadwalan di sekolah. Kedua, penjadwalan mata kuliah. Ketiga, penjadwalan ujian. Penelitian ini berfokus pada penjadwalan mata kuliah dan penjadwalan ujian di lingkungan perguruan tinggi.
7 3.1.2 Hyper-heuristics
Secara umum, menurut [4] , hyper-heuristics dapat didefinisikan sebagai berikut:
“Hyper-heuristics comprise a set of approaches with the goal of automating, often by the incorporation of machine learning techniques, the process of either (i) selecting and combining simpler heuristics, or (ii) generating new heuristics from components of existing heuristics; in order to solve hard computational search problems.”
Berdasarkan definisi diatas, dapat kita lihat ada dua macam heuristic yaitu ‘selection hyper-heuristics’ dan ‘generation hyper-hyper-heuristics’. Karena di literature sudah banyak digunakan metode heuristics, dalam penelitian ini kami akan menggunakan selection hyper-heuristic. Secara ringkas selection hyper-heuritic ini diilustrasikan oleh Gambar 1.
Gambar 1 Hyper-heuristics
Ide dasar hyper-heuristics adalah untuk mengatasi permasalahan pada metode meta-heuristics yang memerlukan parameter tunning yang spesifik untuk setiap domain permasalahan yang berbeda. Berbeda dengan meta-heuristics yang search space nya adalah langsung solusi, pada hyper-heuristic search spacenya adalah low-level heuristics. Dengan kata lain, hyper-heuristics
8 tidak berhubungan langsung dengan solusi atau domain permasalahan. Arsitektur ini menjadikan
hyper-heuristic menjadi metode yang lebih generic, sehingga bisa bekerja efektif pada
permasalahan lintas domain.
Secara garis besar selection hyper-heuristics terdiri dari dua komponen, yaitu metode untuk memilih level heuristics dan strategi move acceptance. Pengaruh metode untuk memilih low-level heuristics terhadap performa hyper-heuristics ini telah dikaji di [9]. Sedangkan pengaruh strategi move acceptance terhadap performa hyper-heuristics dapat dilihat di [10].
Secara umum, hyper-heuristics dapat diklasifikan berdasarkan strategi dalam memilih low-level
heuristics dalam setiap iterasinya. Klasifikasi diilustrasikan oleh Gambar 2. Hyper-heuristics,
meskipun terbilang relatif masih baru jika dibanding dengan pendekatan meta-heuristics, sudah diimplementasikan untuk menyelesaikan banyak permasalahan sebagaimana telah diulas pada [].
Gambar 2 Klasifikasi Hyper-heuristics
3.2 Studi Hasil Penelitian Sebelumnya
State-of-the-art metode untuk menyelesaikan permasalahan penjadwalan adalah metode
9 dihasilkan dengan menggunakan metode sequential heuristics. Secara garis besar, dilihat dari jumlah solusi pada tiap iterasasi, metode hyper-heuristics terbagi menjadi dua, yaitu algoritma
local search dan algoritma berbasis populasi.
Penelitian sebelumnya pendekatan local search untuk menyelesaikan permasalahan penjadwalan di antaranya adalah algoritma simulated annealing [12], great deluge [13], extended great deluge[14], Tabu Search [15], large neighbourhood search [16], variable neighbourhood search [17], iterated local search [18], dan Greedy randomised adaptive search procedures (GRASP) [19]. Sedangkan pendekatan dengan algoritma berbasis populasi di antaranya adalah: genetic algorithm [20], memetic algorithm[21], ant algorithm[22], artificial immune system[23], dan harmony search [24].
Walapun sudah banyak digunakan, akan tetapi pendekatan meta-heuristic ini memerlukan
parameter tunning untuk setiap problem yang berbeda. Sehingga biasanya di literatur
meta-heuristic ini hanya digunakan untuk menyelesaian satu permasalahan. Ide dasar algoritma hyper-heuristics adalah untuk mengatasi kekurangan dari algoritma meta-hyper-heuristics. Akan tetapi di literatur masih sangat sedikit penelitian yang menggunakan hyper-heuristics untuk menyelesaikan permasalahan penjadwalan. Oleh karena itu, dalam penelian ini hyper-heuristics akan digunakan.
10 BAB IV METODE PENELITIAN
Bab ini menjelaskan metodologi dari penelitian ini. Secara garis besar metodologi penelitian ini diilustrasikan oleh Gambar 3. Penelitian ini akan dikerjakan dalam lima tahap yang secara ringkas dapat dijelaskan sebagai berikut:
11 4.1 Studi Lapangan
Pada tahap ini kami akan melakukan studi lapangan untuk memperoleh gambaran nyata tentang proses penjadwalan dan perencanaan di lingkungan ITS Surabaya. Diantara unit yang akan menjadi narasumber dari penelitian ini adalah beberapa departemen, unit atau seksi pengelolaan kuliah bersama, direktorat akademik, dan direktorat sarana dan prasarana di ITS. Luaran yang diharapkan dari tahap ini spesifikasi permasalahan yang terkait dengan otomasi dan optimasi penjadwalan di lingkungan ITS.
4.2 Pembuatan Model Permasalahan
Pada tahap ini akan dikembangkan model matematis permasalahan penjadwalan dan perencanaan di lingkungan ITS. Permasalahan ini meliputi (tapi tidak terbatas): otomasi dan optimasi penjadwalan kuliah, otomasi dan optimasi penjadwalan ujian tengah semester dan ujian akhir semester, otomasi dan optimasi penjadwalan sidang tugas akhir / tesis / disertasi. Model matematis ini dapat merupakan pengembangan dari model yang sudah ada di literatur.
4.3 Desain Algoritma dan Struktur Data
Untuk menyelesaiakan extended model dari tahap sebelumnya. Karena permasalahan ini termasuk permasalahan NP-hard dalam ilmu kompleksitas komputasi dan permasalahan yang diselesaikan adalah lintas domain, maka algoritma yang digunakan dalam penelitian ini adalah hyper-heuristic sebagaimana telah didiskusikan pada bagian 2.1.3.
Pada algoritma hyper-heuristics, ada dua strategi yang paling menentukan performa dari algoritma ini, yaitu: strategi memilih low-level heuristics dan strategi move acceptance dalam setiap iterasinya. Pada tahap ini akan dirancang beberapa alternatif kedua strategi tersebut sekaligus rancangan struktur data yang efisien untuk implementasi algoritma yang diusulkan.
12 Pada tahap ini akan dilakukan eksperimen komputasi terhadap berbagai alternatif desain algoritma dan struktur data yang dirancang pada tahap sebelumnya. Selain itu juga akan dilakukan seting parameter dari algoritma yang diusulkan, sehingga diperoleh parameter yang paling optimal. Dari hasil eksperimen algoritma ini akan dilakukan analisa performa dari berbagai alternatif desain algoritma. Dalam tahap ini juga akan dilakukan uji perbandingan performa algoritma yang diusulkan dengan algoritma state-of-the-art yang ada di literatur.
4.5 Pembuatan Prototipe
Tahap terakhir dari penelitian ini adalah pembuatan prototipe aplikasi. Luaran algoritma yang dihasilkan dari tahap penelitian sebelumnya akan diterapkan dalam prototipe aplikasi yang dikembalikan dalam bahasa pemrograman Java. Bahasa pemrograman Java dipilih karena fleksibilitasnya yang dapat berjalan pada multi-platform.
13 BAB V JADWAL DAN RANCANGAN ANGGARAN BIAYA
5.1 Jadwal
Jadwal kegiatan penelitian ini adalah sebagai berikut:
Nama Kegiatan Bulan Ke-
1 2 3 4 5 6 7 8
A.1 Studi Lapangan
A.1.1 Pengumpulan data dan dokumen A.1.2 Wawancara dengan nara sumber dari stakeholders
A.2 Pembuatan Model Permasalahan A.2.1 Pembuatan model matematis dari permasalahan
A.2.2 Verifikasi Model
A.3 Desain Algoritma dan Struktur Data A.3.1 Desain dan implementasi algoritma
5.2 Rancangan Anggaran Biaya
Anggaran dana yang diusulkan untuk penelitian ini adalah Rp. 50.000.000, yang rincian anggaran dananya adalah sebagai berikut:
1. Bahan Habis
Item Bahan Volume Satuan Harga Satuan Total (Rp) (Rp)
Kertas 8 Rim 48,500 388,000
ATK 5 Set 89,000 445,000
Cartridge printer 2 Buah 785,000 1,570,000
Block Note 13 Buah 12,500 162,500
Bolpoint 15 Buah 3,500 52,500
Map Plastik 16 Buah 12,500 200,000
Flash Disk Huawei 12 Buah 125000 1,500,000
Steples 3 Buah 7,500 22,500
Isi Staples 3 Pax 15,000 45,000
Binder 5 Buah 25,000 125,000
14 Spidol 2 Pax 55,800 111,600 Sub Total (Rp) 4,875,000 2. Peralatan Penunjang
Item Barang Volume Satuan Harga Satuan Total (Rp) (Rp)
Sewa Server 4 hari
1,300,000
5,200,000
Sewa Device Jaringan 3 hari
1,200,000
3,600,000
Sewa Ruangan 3 hari
800,000
2,400,000
Sewa Kamera digital 3 hari
125,000 375,000 Sub Total (Rp) 11,575,000 3. Perjalanan
Item Perjalanan Volume Satuan Biaya Satuan Total (Rp) (Rp)
Perjalanan TPP ke TPM
(konsultasi) 10 kali 250,000 2,500,000
Perjalanan TPM ke TPP(Visitasi) 5 orang/kali 300,000 1,500,000 Transportasi dan Akkomodasi
International Conference 2019 2 orang/kali 2,500,000 5,000,000 Transportasi dan Akomodasi
International Conference 2019 1 orang/kali 350,000 350,000 Transportasi Pembuat Sistem 30 orang/hari 25,000 750,000
Transportasi Asisten 30 orang/hari 25,000 750,000
Transportasi Surveyor 90 orang/hari 40,000 3,600,000
Sub Total
(Rp) 14,450,000
4. Honorarium
15 (Rp) Surveyor 1 30 hari 60,000 1,800,000 Surveyor 2 30 hari 60,000 1,800,000 Surveyor 3 30 hari 60,000 1,800,000 Analis 1 30 hari 50,000 1,500,000 Analis 2 30 hari 50,000 1,500,000 Programmer 1 30 hari 60,000 1,800,000 Programmer 2 30 hari 60000 1,800,000 Programmer 3 40 hari 60000 2,400,000 Sub Total (Rp) 14,400,000 5. Lain - lain
Item Lain - lain Volume Satuan Honor/Jam Total (Rp) (Rp)
Registrasi International
Conference 2019 1 paket 3,500,000 3,500,000
Registrasi Seminar Nasional
2019 1 paket 1,200,000 1,200,000 Sub Total (Rp) 4,700,000 Total Keseluruhan (Rp) 50,000,000
17 BAB VI DAFTAR PUSTAKA
[1] McCollum, Barry, et al. "Setting the research agenda in automated timetabling: The second international timetabling competition." INFORMS Journal on Computing 22.1 (2010): 120-130.
[2] S. Even, A. Itai, and A. Shamir. On the complexity of time table and multicommodity flow problems. SIAM Journal on Computing, 5(4):691–703, 1976.
[3] Redian Galih Irianti, Optimasi Penjadwalan Mata Kuliah Otomatis Dengan Menggunakan Algoritma Tabu-variable Neighborhood Search Based Hyper Heuristic, Laporan Tugas Akhir, ITS Surabaya, 2018
[4] Edmund Burke, Graham Kendall, Jim Newall, Emma Hart, Peter Ross, and Sonia Schulenburg. Hyper-heuristics: An emerging direction in modern search technology. In Handbook of metaheuristics, pages 457–474. Springer, 2003.
[5] Eugene L. Lawler. Combinatorial Optimization: Networks and Matroids. Holt Rinehart and Winston, 1976.
[6] Anthony Wren. Scheduling, timetabling and rostering a special relationship? In Edmund Burke and Peter Ross, editors, Practice and Theory of Automated Timetabling, volume 1153 of Lecture Notes in Computer Science, pages 46–75. Springer Berlin Heidelberg, 1996. [7] Edmund K. Burke, Graham Kendall, Mustafa Mısır, Ender ¨Ozcan, EK Burke, G Kendall, E
¨Ozcan, and M Mısır. Applications to timetabling. In Handbook of Graph Theory, chapter 5.6, pages 445–474. Citeseer, 2004.
[8] Andrea Schaerf. A survey of automated timetabling. Artificial Intelligence Review, 13(2):87– 127, April 1999.
[9] Konstantin Chakhlevitch and Peter Cowling. Hyperheuristics: Recent developments. In Carlos Cotta, Marc Sevaux, and Kenneth S¨orensen, editors, Adaptive and Multilevel Metaheuristics, volume 136 of Studies in Computational Intelligence, pages 3–29. Springer Berlin Heidelberg, 2008.
[10] Burak Bilgin, Ender ¨Ozcan, and Emin Erkan Korkmaz. An experimental study on hyper-heuristics and exam timetabling. In Edmund K. Burke and Hana Rudova, editors, Practice and Theory of Automated Timetabling VI, volume 3867 of Lecture Notes in Computer Science, chapter 25, pages 394–412. Springer Berlin Heidelberg, 2007.
18 [11] Edmund K. Burke, Michel Gendreau, Matthew Hyde, Graham Kendall, Gabriela. Ochoa,
Ender ¨Ozcan, and Rong Qu. Hyper-heuristics: a survey of the state of the art. J Oper Res Soc, 64(12):1695–1724, Dec 2013.
[12] Jonathan M. Thompson and Kathryn A. Dowsland. A robust simulated annealing based examination timetabling system. Computers & Operations Research, 25(78):637–648, 1998. [13] Edmund K. Burke, Yuri Bykov, James Newall, and Sanja Petrovic. A timepredefined local
search approach to exam timetabling problems. IIE Transactions, 36(6):509–528, 2004. [14] Paul McMullan. An extended implementation of the great deluge algorithm for course
timetabling. In Yong Shi, GeertDick van Albada, Jack Dongarra, and PeterM.A. Sloot, editors, Computational Science ICCS 2007, volume 4487 of Lecture Notes in Computer Science, pages 538–545. Springer Berlin Heidelberg, 2007.
[15] A. Hertz. Tabu search for large scale timetabling problems. European Journal of Operational Research, 54(1):39–47, 1991.
[16] Salwani Abdullah, Samad Ahmadi, Edmund K. Burke, and Moshe Dror. Investigating Ahuja-Orlin’s large neighbourhood search approach for examination timetabling. OR Spectrum, 29(2):351–372, 2007.
[17] Edmund K. Burke, Adam J. Eckersley, Barry McCollum, Sanja Petrovic, and Rong Qu. Hybrid variable neighbourhood approaches to university exam timetabling. European Journal of Operational Research, 206(1):46–53, 2010.
[18] Edmund K. Burke, Tim Curtois, Matthew Hyde, Graham Kendall, Gabriela Ochoa, Sanja Petrovic, Jos´e A. V´azquez-Rodr´ıguez, and Michel Gendreau. Iterated local search vs. hyper-heuristics: Towards general-purpose search algorithms. In IEEE congress on evolutionary computation, pages 1–8. IEEE, 2010.
[19] S. Casey and J. Thompson. GRASPing the examination scheduling problem. In E. Burke and P. DeCausmaecker, editors, Practice and Theory of Automated Timetabling IV, volume 2740 of Lecture Notes in Computer Science, pages 232– 244, 2003.
[20] Edmund K. Burke, Dave Elliman, and Rupert F. Weare. A hybrid genetic algorithm for highly constrained timetabling problems, 1995.
[21] Edmund K. Burke, James P. Newall, and Rupert F. Weare. A memetic algorithm for
19 of Automated Timetabling, volume 1153 of Lecture Notes in Computer Science, pages 241– 250. Springer Berlin Heidelberg, 1996.
[22] K.A. Dowsland and J.M. Thompson. Ant colony optimization for the examination scheduling problem. Journal of the Operational Research Society, 56:426–438, 2005. [23] Javier G. Mar´ın-Bl´azquez and Sonia Schulenburg. A hyper-heuristic framework with
XCS: Learning to create novel problem-solving algorithms constructed from simpler algorithmic ingredients. In Tim Kovacs, Xavier Llor´a, Keiki Takadama, PierLuca Lanzi, Wolfgang Stolzmann, and Stewart W. Wilson, editors, Learning Classifier Systems, volume 4399 of Lecture Notes in Computer Science, pages 193– 218. Springer Berlin Heidelberg, 2007.
[24] Bashar A. Aldeeb, Norita Md Norwawi, Mohammed A. Al-Betar, and Mohd Zalisham Bin Jali. Solving university examination timetabling problem using intelligent water drops algorithm. In Bijaya Ketan Panigrahi, Ponnuthurai Nagaratnam Suganthan, and Swagatam Das, editors, Swarm, Evolutionary, and Memetic Computing, volume 8947 of Lecture Notes in Computer Science, pages 187–200. Springer International Publishing, 2015.
20 BAB VII LAMPIRAN BIODATA TIM PENELITI
BIODATA TIM PENELITI
1. Ketua
a. Nama Lengkap : Ahmad Muklason, S.Kom, M.Sc., Ph.D. b. Jenis Kelamin : Laki-laki
c. NIP : 198203022009121009
d. Fungsional/Pangkat/Gol. : Asisten Ahli/Penata Muda Tk. I/III B e. Jabatan Struktural : Ka. Sie. Pengembangan Pembelajaran f. Bidang Keahlian : Automated Timetabling and Planning,
Algoritam Meta-heuristics, Hyper-heuristics g. Departemen/Fakultas : Sistem Informasi /FTIK
h. Alamat rumah dan No. Telp. : Perumdos ITS, Blok N, No. 03
i. Riwayat Penelitian :
No. Judul (Tahun) Sebagai
1. UTOPIA VS REALITAS IMPLEMENTASI E-GOVERNMENT: BELAJAR DARI PENGALAMAN KABUPATEN PAMEKASAN (2018)
Ketua
2. URBAN COMPUTING: SISTEM
TRANSPORTASI CERDAS BERBASIS BIG DATA DALAM FRAMEWORK SMART CITY (2018)
Anggota
Riwayat Pengabdian :
No. Judul Sebagai
1. PELATIHAN TEKNOLOGI BLENDED LEARNING UNTUK PARA GURU DI
21 LINGKUNGAN PONDOK PESANTREN
DARUL ULUM JOMBANG (2018) 2. PEMBUATAN WEBSITE KELURAHAN
SEBAGAI MEDIA KOMUNIKASI BERBASIS TEKNOLOGI INFORMASI (STUDI KASUS: KELURAHAN GEBANG PUTIH SUKOLILO)
Anggota
j. Publikasi Ilmiah : No. Judul
1. Muklason, A., Parkes, A.J., Özcan, E., McCollum, B. and McMullan, P., 2017. Fairness in examination timetabling: Student preferences and extended formulations. Applied Soft Computing, 55, pp.302-318. 2. Muklason A, I Wayan A K Yoga, Arif Djunaidy, Wiwik Anggraeni,
Faizal Mahananto, et. al.; Advanced Traveler Information Systems: Itinerary Optimisation Using Orienteering Problem Model and Genetic Algorithm; IEEE: 5th International Conference on Information
Technology Systems and Innovation (ICITSI) 2018, Universitas Andalas, 25 October 2018
m. Paten (2 terakhir) No. Judul
n. Tugas Akhir
No. Judul
1. Gigih Yudha Hutama (5210 100 121), Optimalisasi Penjadwalan Ujian Otomatis Dengan Menggunakan Algoritma Greedy Hill Climbing Hyper-heuristic, 2018
22 2. Dian Kusumawardani (5210 100 127), Optimasi Penjadwalan Ujian
Otomatis Dengan Menggunakan Algoritma Greedy – Simulated Annealing – Hyper Heuristic, 2018
Tesis
No. Judul
1. Nisa Dwi Angresti (05211650010028), Penyelesaian Permasalahan Optimasi Lintas Domain Dari Hyflex Menggunakan Hiperheuristik Yang Didasarkan Pada Metode Variable Neighborhood Search, 2019
23 2. Anggota 1
a. Nama Lengkap : Faizal Mahananto, S.Kom., M.Eng., Ph.D. b. Jenis Kelamin : Laki-laki
c. NIP : 5200201301010
d. Fungsional/Pangkat/Gol. : e. Jabatan Struktural :
f. Bidang Keahlian : Decision support system, Healthcare information systems, Biomedical signal processing, Predictive analytic for medicine and healthcare
g. Departemen/Fakultas : Sistem Informasi/FTIK
h. Alamat rumah dan No. Telp. : Jl. Wonorejo Selatan VII No 118A, Wonorejo, Rungkut, Surabaya, 081232736018
i. Riwayat Penelitian :
No. Judul (Tahun) Sebagai
1. Estimasi Prognosis Pasien ICU dengan Analisis Heart Rate Variability Menggunakan Metode Higher-Order Detrended Fluctuation Analysis (2018)
Ketua
2 Sistem Manajemen Transportas Umum Cerdas Menuju Surabaya Smart City 2020 (2017)
Anggota
3 Identifikasi Pasien Gagal Jantung Kongestif dengan Metode Multifractal Detrended Fluctuation Analysis pada Variabilitas Denyut Jantung (2017)
Ketua
4 Sistem Identifikasi Pasien Penderita Gagal Jantung dengan Metode Analisis Simbolik pada Variabilitas Denyut Jantung (2016)
Ketua
Riwayat Pengabdian :
No. Judul Sebagai
1 Pelatian dan Implementasi “Intelligent Dashoard”: Aplikasi Cerdas Untuk Prediksi dan Visualisasi Sebagai Saran Early
24 Warning System Atas Lonjakan Harga Komoditas Strategis
Pertanian
2 Pelatihan Teknologi Blended Learning untuk Para Guru di Lingkungan Pondok Pesantren Darul Ulum Jombang (2018)
Anggota
3 Pembuatan Website Kelurahan Sebagai Media Komunikasi Berbagai Teknologi Informasi (Studi Kasus: Kelurahan Gebang Putih Sukolilo) (2018)
Anggota
4 Pembangunan Sistem Monitoring dan Notifikasi Persewaan Gamelan Kelompok Industri Gamelan Desa Kauman Kecamatan Karangrejo Kabupaten Magetan (2018)
Ketua
5 Pelatihan Aplikasi DUKDASH-TI: Aplikasi Kependudukan Berbasis Teknologi Informasi untuk Menunjang Kinerja Perangkat Kelurahan Gebang Putih Sukolilo (2017)
Anggota
6 OK-WebPortal: Optimalisasi Kerja Perangkat Kelurahan dengan Web-Based Portal (Studi Kasus: Kelurahan Manyar Sabrangan Surabaya) (2016)
Anggota
7 DUKDASH-TI: Aplikasi Kependudukan Berbasis Teknologi Informasi Sebagai Sarana Penunjang Kinerja Perangkat Kelurahan Gebang Putih Sukolilo (2016)
Anggota
j. Publikasi Ilmiah : No. Judul
1 Faizal Mahananto and Arif Djunaidy, Simple Symbolic Dynamic of Heart Rate Variability Identify Patient with Congestive Heart Failure, November 2017, ISICO 2017, Sanur Bali, Indonesia
2 Mahananto, F., Igasaki, T., Murayama, N., Potential Force Dynamics of Heart Rate Variability Reflect Cardiac Autonomic Modulation with Respect to Posture, Age, and Breathing Pattern, Computers in Biology and Medicine, vol. 64, pp. 197-207, 2015
25 3 Mahananto, F., Igasaki, T., Murayama, N., Cardiac Arrhythmia Detection using
Combination of Heart Rate Variability Analyses and PUCK Analysis, The 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Osaka, Japan. July 3-7 2013.
m. Paten (2 terakhir) No. Judul
1 Pengembangan Kerangka Kerja Perangkat Lunak yang Tumbuh Kembang (Development Organic Software Framework), Indonesia Patent, No P00201000181.
n. Tugas Akhir
No. Judul
1. Klasifikasi Prognosis Pasien ICU Menggunakan Artificial Neural Network (ANN) berdasarkan Ekstraksi Fitur Higher Order Moment Detrended Fluctuation Analysis (2018)
2. Klasifikasi Prognosis Pasien ICU menggunakan ANN berdasarkan Ekstraksi Fitur Multifractal Detrended Fluctuation Analysis (MFDFA) (2018)
3.
o. Tesis
No. Judul
1. Faktor-Faktor Adopsi E-Health di Rumah Sakit Indonesia Berdasarkan Aspek Manusia, Teknologi, Organisasi dan Lingkungan
2.
3. Anggota II
a. Nama Lengkap : Edwin Riksakomara b. Jenis Kelamin : Laki-laki
26 d. Fungsional/Pangkat/Gol. : Lektor/Penata/IIIc
e. Jabatan Struktural : Sekretaris Departemen f. Bidang Keahlian : Data Mining
g. Departemen/Fakultas : Sistem Informasi/FTIK h. Perguruan Tinggi : ITS
i. Alamat rumah dan No. Telp. : Marina Emas Utara 5/6 Blok F94 Surabaya
08123184760
j. Riwayat Penelitian (2 terakhir) :
No. Judul Sebagai
1. Rancang Bangun Prototype Multiplatform Dashboard untuk Visualisasi, Pemetaan, serta Prediksi Penyebaran Penyakit
Anggota
2. Estimasi Prognosis Pasien Icu Dengan Analisis Heart Rate Variability Menggunakan Metode Higher-Order Detrended Fluctuation Analysis
Anggota
k. Riwayat Pengabdian (2 terakhir) :
No. Judul Sebagai
1. Pembuatan Website Kelurahan Sebagai Media Komunikasi Berbasis Teknologi Informasi (Studi Kasus: Kelurahan Gebang Putih Sukolilo)
Anggota
2. Pelatihan Teknologi Blended Learning Untuk Para Guru Di Lingkungan Pondok Pesantren Darul Ulum Jombang
Anggota
l. Publikasi Ilmiah (2 terakhir) : No. Judul
1. Not Perform Loan (Npl) Forecasting Scale In Indonesia Using Adaptive Neuro-Fuzzy Inference System (Anfis) Method, Indonesia Malaysia Research Collaboration Seminar, 2018
2. Forecasting the number of dengue fever cases in Malang Regency Indonesia using fuzzy inference system models, Journal of Theoretical and Applied Information Technology, 2017
m. Paten (2 terakhir) No. Judul
4. Anggota III
a. Nama Lengkap : Raras Tyasnurita b. Jenis Kelamin : Perempuan
27
c. NIP : 198701232014042002
d. Fungsional/Pangkat/Gol. : Penata Muda Tk. I (III/b) e. Jabatan Struktural : Dosen
f. Bidang Keahlian : Analitika dan kecerdasan bisnis
g. Departemen/Fakultas : Sistem Informasi/ Teknologi Informasi dan Komunikasi
h. Perguruan Tinggi : Institut Teknologi Sepuluh Nopember i. Alamat rumah dan No. Telp. : Merpati 14 Rewwin Waru Sidoarjo 61256,
031-8536064
j. Riwayat Penelitian (2 terakhir)
:
No. Judul Sebagai
1. Ketua/Anggota
2. Ketua/Anggota
k. Riwayat Pengabdian (2 terakhir)
:
No. Judul Sebagai
1. PD-DASH: Peningkatan Pembinaan Perangkat Desa Dalam Pemanfaatan Aplikasi Dashboard (Studi Kasus: Desa Simolawang Surabaya) 2014
Anggota
2. Ketua/Anggota
l. Publikasi Ilmiah (2 terakhir) : No. Judul
1. Tyasnurita, R., Özcan, E., & John, R. (2017, June). Learning heuristic selection using a time delay neural network for open vehicle routing. In 2017 IEEE Congress on Evolutionary Computation (CEC) (pp. 1474-1481). IEEE.
28 2. Tyasnurita, R., Özcan, E., Shahriar, A., & John, R. (2015). Improving
performance of a hyper-heuristic using a multilayer perceptron for vehicle routing. in proceedings of the 15th UK Workshop on
Computational Intelligence (UKCI 2015).
m. Paten (2 terakhir) No. Judul
DATA USULAN DAN PENGESAHAN PROPOSAL DANA LOKAL ITS 2020
1. Judul Penelitian
Pengembangan Model dan Algoritma Generik Berbasis Hyper-heuristic Untuk Otomasi dan Optimasi Penyelesaian Permasalahan Penjadwalan dan Perencanaan di Lingkungan Akademik
Skema : PENELITIAN DOKTOR BARU
Bidang Penelitian : Kecerdasan Artifisial dan Teknologi Kesehatan Topik Penelitian : Business and Manufacturing
2. Identitas Pengusul Ketua Tim
Nama : Ahmad Muklason S.Kom., M.Sc., Ph.D
NIP : 198203022009121009
No Telp/HP : 081228256102
Laboratorium : Laboratorium Rekayasa Data Dan Intelegensi Bisnis
Departemen/Unit : Departemen Sistem Informasi
Fakultas : Fakultas Teknologi Elektro dan Informatika Cerdas
Anggota Tim
No Nama Lengkap Asal Laboratorium Departemen/Unit Perguruan
Tinggi/Instansi 1 Ahmad Muklason S.Kom., M.Sc., Ph.D Laboratorium Rekayasa Data Dan
Intelegensi Bisnis Departemen Sistem Informasi ITS 2 Edwin Riksakomara SKom, MT Laboratorium Rekayasa Data Dan
Intelegensi Bisnis Departemen Sistem Informasi ITS 3 Faizal Mahananto S.Kom, M.Eng., Ph.D Laboratorium Rekayasa Data Dan
Intelegensi Bisnis Departemen Sistem Informasi ITS 4 Raras Tyasnurita S.Kom, M.BA Laboratorium Rekayasa Data Dan
Intelegensi Bisnis
Departemen Sistem
Informasi ITS
3. Jumlah Mahasiswa terlibat : 2
4. Sumber dan jumlah dana penelitian yang diusulkan
a. Dana Lokal ITS 2020 :
b. Sumber Lain :
50.000.000,-Tanggal Persetujuan Nama Pimpinan Pemberi Persetujuan Jabatan Pemberi Persetujuan Nama Unit Pemberi Persetujuan QR-Code 09 Maret 2020 Dr. Agus Zainal Arifin S.Kom, M.Kom. Kepala Pusat Penelitian/Kajian/Unggulan Iptek Kecerdasan Artifisial dan Teknologi Kesehatan 09 Maret 2020 Agus Muhamad Hatta , ST, MSi, Ph.D Direktur Direktorat Riset dan Pengabdian Kepada Masyarakat
