Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011 1
PENGGUNAAN GENETIC ALGORITHMS DALAM
MENGOPTIMALKAN AKURASI PENILAIAN SCL UNTUK
MENINGKATKAN MOTIVASI DAN HASIL BELAJAR
Deny Jollyta, M. Kom
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia Telp. (0761) 24418
e-mail : denyjollyta@yahoo.com
ABSTRAKS
Penilaian terhadap kemampuan softskill mahasiswa dalam metode pembelajaran Student Centered Learning (SCL), menjadi suatu masalah ketidakadilan sehingga dapat menurunkan motivasi dan hasil belajar di kalangan mahasiswa. Hal ini disebabkan karena belum adanya akurasi penilaian atribut-atribut softskill yang optimal, yang dapat dijadikan standar penilaian bagi dosen pengajar. Untuk menyelesaikan permasalahan tersebut, digunakan Algoritma Genetika, yakni suatu algoritma yang dalam penyelesaian masalahnya menggunakan kromosom-kromosom pada populasi awal secara acak yang salah satu bentuk presentasinya adalah biner, mengevaluasi fungsi fitness dan menggunakan operator genetika crossover dan mutasi untuk memperoleh persilangan bit yang diinginkan. Hal ini bertujuan untuk mendapatkan nilai-nilai atribut yang paling optimal ditinjau dari fungsi fitness setiap kromosom. Hasil pengujian menunjukkan bahwa Algoritma Genetika mampu menghasilkan nilai-nilai atribut softskill yang optimal untuk digunakan sebagai standar penilaian bagi dosen pengajar sehingga dapat meningkatkan motivasi dan hasil belajar mahasiswa.
Kata kunci : Atribut Softskill, Biner dan Algoritma Genetika
Assessment of the ability of student’s softskill in Student Centered Learning (SCL) methods, becomes an issue of injustice in order to reduce the motivation and learning achievement among the students. This is because there is no an optimal accurate assessment of softskill’s attributes, which can be used as an assessment standard for the lecturer. To resolve this problem, use the Genetic Algorithms, that in solving the problems using the chromosomes in the initial population randomly, which one form of presentations is binary, evaluate fitness function and using crossover operator and mutation operator to obtain the desired cross bits. It aims to get the optimal attribute values in terms of fitness function of each chromosome. The results show that Genetic Algorithms can produce the optimal attribute values of softskill in SCL methods, to be used as standard assessment for lecturer so that it can increase student motivation and learning outcomes.
Keywords: Attribute softskill, Binary and Genetic Algorithm
1. PENDAHULUAN
Seiring dengan perkembangan dunia pendidikan di Indonesia, pendekatan terhadap metode pembelajaran yang dianggap efektif terus dilakukan. Metode yang semula berpusat pada tenaga pendidik atau dosen secara perlahan dialihkan ke peserta didik atau mahasiswa. Metode pembelajaran seperti ini dikenal dengan Student Centred Learning (SCL) atau Innovative Approaches (SPICES Approaches). Metoda yang disarankan oleh The International Bureau of Education UNESCO ini mengembangkan 3 aspek kompetensi lulusan sekaligus yaitu kognitif, psikomotor dan afektif secara berimbang.
Pemahaman materi sebuah matakuliah harus diiringi dengan kemampuan hardskill dan softskill yang seimbang. Penilaian yang diberikan harus benar-benar mencerminkan kemampuan hardskill dan softskill seorang mahasiswa. Namun kenyataannya, penilaian terhadap kemampuan hardskill lebih mudah dilakukan daripada softskill. Kemampuan softskill mahasiswa harus dinilai
berdasarkan hasil pengamatan yang cermat dari dosen. Pada penelitian ini, ketepatan penilaian dititikberatkan pada softskill yang memiliki 23 atribut penilaian. Penilaian yang tidak mempunyai standar ukuran menjadikan penilaian softskill sulit untuk mencapai standar optimal yang diinginkan.
Untuk mendapatkan akurasi penilaian softskill dari metoda SCL ini, digunakan suatu algoritma dalam sistem kepakaran yaitu Algoritma Genetika. Algoritma Genetika adalah algoritma yang mampu menyelesaikan permasalahan yang bersifat non-linier dan berbasis pada mekanisme evolusi biologis dan seleksi alam. Keragaman pada evolusi biologis adalah variasi dari kromosom antar individu organisme. Variasi kromosom ini akan mempengaruhi laju reproduksi dan tingkat kemampuan organisme untuk tetap hidup.
Pada penelitian ini, proses pengoptimalan akurasi penilaian softskill dengan Algoritma Genetika pada metoda SCL dicontohkan pada matakuliah Keilmuan dan Keterampilan (KK) yang
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011 2 diambil secara acak pada sebuah perguruan tinggi
komputer.
Dari matakuliah ini dibentuk populasi awal dengan 5 parameter yang juga diambil secara acak dari atribut softskill, yakni kemampuan berkomunikasi, kerja sama, berpikir kritis, inisiatif dan kemampuan analitis. Dari parameter ini akan terbentuk parameter dengan kromosom acak. Setelah populasi awal terbentuk, dilakukan rangking terhadap parameter terbaik hingga terburuk dan dilakukan pemilihan induk terbaik. Selanjutnya akan dilakukan proses rekombinasi dan dilanjutkan dengan mutasi sampai terbentuk generasi baru.
Hasil dari Algoritma Genetika diharapkan berupa nilai yang dianggap paling optimal dan memenuhi fungsi tujuan. Penggunaan Algoritma Genetika dalam kasus ini diharapkan mampu meningkatkan akurasi seluruh penilaian dalam metoda SCL sehingga setiap perguruan tinggi mempunyai suatu standar dalam memberikan penilaian terhadap kompetensi seorang mahasiswa. Penilaian yang baik akan dapat meningkatkan motivasi dan hasil belajar mahasiswa sehingga empat pilar pendidikan yang dicanangkan dalam kurikulum oleh UNESCO yakni learning to know, learning to do, learning to be, dan learning to live together dapat terwujud.
2. LANDASAN TEORI
2.1 SCL
Metoda pembelajaran telah dikembangkan dan dapat dibagi ke dalam dua kelompok besar yaitu metoda pembelajaran yang berbasis Teacher Centred Learning (TCL) atau dikenal sebagai Traditional Approaches dan metoda pembelajaran yang berbasis Student Centred Learning (SCL) atau dikenal sebagai Innovative Approaches (SPICES Approaches) (Soepardi, E, 2008). Perbedaan antara TCL dengan SCL ditunjukkan dalam tabel 1. Tabel 1. Perbedaan TCL dan SCL
Akibat penerapan metoda SCL ini, penilaian terhadap kompetensi hardskill dan softskill mahasiswa menjadi komplek. Dosen harus memberikan penilaian terhadap seluruh kemampuan hardskill dan softskill mahasiswa. Pada penelitian ini, contohnya adalah sistem penilaian SCL terhadap seorang mahasiswa di sebuah perguruan tinggi dibedakan ke dalam beberapa unsur penilaian : 1. Nilai Indikator Softskill 20%
2. Nilai Quiz 10%
3. Nilai Tugas 20%
4. Nilai Ujian Tengah Semester (UTS) 20% 5. Nilai Ujian Akhir Semester (UAS) 30%
Penilaian terhadap indikator softskill lebih dijelaskan pada tabel 3. Penilaian dilakukan dengan memberikan interval nilai yang dapat mempresentasikan kemampuan mahasiswa tersebut . Tabel 2. Interval Nilai
Rendah 0 - 5 Kurang 6 - 10 Sedang 11 - 15 Tinggi 16 - 20
Tabel 3. Tabel Penilaian Atribut Sofskill Mahasiswa
Tabel 2.3 Tabel Penilaian Atribut Sofskill
Mahasiswa
Rekapitulasi keseluruhan nilai diperlihatkan pada tabel 4.
Tabel 4. Rekapitulasi Penilaian Mahasiswa
2.2 Algoritma Genetika
Algoritma Genetika adalah suatu algoritma heuristic yang didasarkan atas mekanisme evolusi biologis (Sri Kusumadewi, 2003). Keberagaman pada evolusi biologis adalah variasi dari kromosom antar individu organisme. Variasi kromosom ini akan mempengaruhi laju reproduksi dan tingkat kemampuan organisme untuk hidup. Pada dasarnya terdapat 4 kondisi yang sangat mempengaruhi proses evaluasi, yaitu :
a. Kemampuan organisme untuk melakukan reproduksi
b. Keberadaan populasi organisme yang bisa melakukan reproduksi
c. Keberagaman organisme dalam suatu populasi d. Perbedaan kemampuan untuk survive .
Sebelum Algoritma ini dijalankan, masalah apa yang ingin dioptimalkan itu harus dinyatakan dalam fungsi tujuan, yang dikenal dengan fungsi fitness. Jika nilai fitness semakin besar, maka sistem yang dihasilkan semakin baik. Operasi yang dilakukan adalah reproduksi, crossover, dan mutasi untuk mendapatkan sebuah solusi menurut nilai fitness-nya. Selanjutnya konstruksi dasar dari Algoritma Genetika adalah sebagai berikut (Sri Kusumadewi, 2003) :
a. Pendefinisian Chromosome b. Pendefinisian Fungsi Fitness
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011 3 c. Membangkitkan sebuah Populasi Awal
d. Reproduksi e. Crossover f. Mutasi
Secara umum, Algoritma Genetik dapat diilustrasikan dalam diagram alir berikut :
Gambar 1. Diagram Alir Algoritma Genetika
3. KODIFIKASI
Matakuliah yang digunakan sebagai contoh dalam memperoleh akurasi penilaian optimal adalah matakuliah Pengantar Intelejensia Buatan (PIB). Pencarian nilai optimal dari setiap atribut softskill ditujukan untuk seluruh matakuliah. Diharapkan nantinya, hasil pencarian dengan Algoritma Genetika ini dapat menemukan sebuah kromosom terbaik, untuk dijadikan standar penilaian bagi dosen dalam menilai kemampuan afektif mahasiswanya.
Pada penelitian ini, atribut yang akan mewakili perhitungan dalam Algoritma Genetika diambil secara acak berdasarkan referensi dari lokasi studi kasus. Atribut-atribut tersebut adalah kemampuan berkomunikasi, kerja sama, berpikir kritis, inisiatif dan kemampuan analitis.
Tabel 5. Pengkodean Matakuliah dan Atribut Softskill
Standar penilaian diambil berdasarkan pada persentase penilaian yang diberikan pada unsur penilaian atribut softskill, yakni 20% dari total keseluruhan unsur penilaian. Penilaian yang terbentuk diharapkan berkisar antara 1 hingga 20 untuk setiap atribut softskill. Total nilai dari atribut softskill yang diharapkan adalah >= 75.00000, artinya jika perhitungan Algoritma Genetika menemukan kromosom dengan total nilai >= 75.00000 (sama atau lebih besar daripada 75), maka kromosom tersebut terpilih sebagai kromosom yang mewakili nilai-nilai atribut softskill yang optimal.
4. IMPLEMENTASI ALGORITMA
GENETIKA
4.1 Kodifikasi
Salah satu matakuliah akan dijadikan contoh untuk mendapatkan nilai optimal yang dipresentasikan ke dalam 30 kromosom dan atribut softskill sebagai variabel. Variabel-variabel tersebut dikodekan ke dalam kromosom yang terdiri dari 20 gen, dimana setiap variable dikodekan ke dalam 4 gen dalam bentuk biner. Tabel 2.5 memperlihatkan pengkodean kromosom yang dimaksud.
Tabel 6. Pengkodean Kromosom Dalam Biner
K1 sampai dengan K30 adalah kromosom. X1 – X5 adalah variabel yang terdiri dari gen-gen dengan bit 0 dan 1. Selanjutnya akan diproses cara memperoleh nilai fitness.
4.2 Nilai Fitness
Pada setiap generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut.
Misalkan N adalah jumlah individu (kromosom) dalam suatu populasi. Pos adalah posisi individu dalam populasi tersebut (posisi terendah suatu individu adalah Pos = 1, dan posisi tertingginya adalah Pos = N). Sedangkan SP adalah selective pressure, di mana probabilitas dari individu terbaik yang akan diseleksi dibandingkan dengan rata-rata probabilitas dari semua individu yang diseleksi. Nilai fitness suatu individu dapat dihitung sebagai :
Fitness (Pos) = 2 – SP + 2(SP – 1) (Pos – 1) / (N – 1)
Nilai SP ∈ [1,2].
Berikut perhitungan nilai fitness masing-masing kromosom : F(1) = ((2 – 1.5 ) + 2(1.5 – 1)(1 – 1)) / (10 – 1) = (0.5 + 2(0.5)(0)) / 9 = 0.01724 Skema Pengkodean Mutasi Inisialisasi Populasi Fungsi Objektif Generasi Baru
Generasi Tua / Lama
Fungsi Objektif Seleksi Perkawinan Silang (Crossover) Kondisi Termi nasi Terminasi Tida k Ya
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011 4 F(2) = ((2 – 1.5) + 2(1.5 – 1)(2 – 1)) / (10 – 1)
= (0.5 + 2(0.5)(1)) / 9 = 0.05172
Tabel 7. Nilai Fitness Setiap Kromosom
Tabel 7. menunjukkan nilai fitness setiap kromosom. Susunan kromosom pada tabel 7 menjadi populasi awal dalam proses Algoritma Genetika. Pada penelitian ini, semua perhitungan dilakukan dengan ketelitian 5 angka di belakang koma.
4.3 Seleksi Roulettewheel (Roda Roulette)
Metoda Roulettewheel menempatkan masing-masing kromosom pada potongan lingkaran secara proporsional sesuai dengan nilai fitness-nya. Kromosom yang memiliki nilai fitness lebih besar menempati potongan lingkaran yang lebih besar dibandingkan dengan kromosom bernilai fitness rendah.
Untuk dapat melakukan seleksi kromosom, langkah-langkah yang harus dilakukan adalah sebagai berikut :
a. Menentukan fitness relative (pk) tiap kromosom p1 = F1 / Total Fitness = 0.01724 / 15.51724 = 0.00111
b. Menentukan fitness kumulatif (qk) tiap kromosom
q1 = p1 = 0.00111
c. Membangkitkan bilangan random sebanyak jumlah kromosom.
d. Membuat interval nilai fitness kumulatif setiap kromosom.
4.4 Crossover
Peluang crossover (pc) adalah salah satu parameter yang menunjukkan rasio dari anak (off-spring) yang dihasilkan dalam setiap generasi. pc yang digunakan adalah 0.25 dengan cara one-point crossover. Proses pemilihan kromosom yang akan di-crossover dengan membangkitkan bilangan random. Kromosom yang dipilih sebagai induk adalah kromosom yang memiliki bilangan random
lebih kecil dari pc. Kromosom-kromosom terpilih mengalami proses penyilangan sebagai berikut : Tabel 8. Kromosom Induk
Tabel 9. Kromosom Anak (Off-spring)
4.5 Mutasi
Proses mutasi dimulai dengan menghitung jumlah bit pada populasi dimana :
Jumlah bit = Ukuran Populasi (popsize) * Jumlah Gen
4.6 Analisa Hasil Komputasi
Perolehan nilai fitness dihasilkan dari perubahan bit-bit yang mengalami crossover ataupun mutasi. Bit-bit yang terdapat dalam gen-gen di setiap kromosom merupakan bit-bit yang optimal untuk memperoleh nilai setiap variabel yang telah dipresentasikan melalui gen-gen. Berikut perhitungan untuk memperoleh nilai setiap variabel yang mewakili atribut softskill berdasarkan persamaan solusi :
x = rb + (ra – rb) (g1x2-1 + g2x2-2 + ...+ g10x2-n) Keterangan :
x = variabel mewakili atribut softskill ra = batas atas interval nilai
rb = batas bawah interval nilai g = gen-gen setiap variabel 2-n = jumlah gen dalam variabel
Kromosom terbaik diambil di tiap generasi dan dapat dilihat pada tabel berikut :
Tabel 10. Nilai Atribut Softskill Terbaik Tiap Generasi
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011 5 Perolehan nilai atribut softskill bervariasi.
Namun pencarian Algoritma Genetika ini berujung pada nilai fitness dan nilai X yang konvergen. Mulai dari generasi ke-8 terlihat bahwa pencarian solusi mengarah pada nilai yang sama, yakni nilai fitness terbaik 1.01742 dan total nilai X terbaik adalah 76.25000. Artinya, X yang diperoleh adalah dari nilai setiap variabel X yang mewakili atribut softskill, yaitu : X1 Kemampuan Berkomunikasi 18.81000 X2 Kerja Sama 6.93800 X3 Berpikir Kritis 18.81000 X4 Inisiatif 14.06000 X5 Kemampuan Analitis 17.63000 Nilai-nilai tersebut adalah nilai optimal yang dihasilkan melalui pencarian dengan Algoritma Genetika. Hasil keseluruhan, yakni 76.25000 ternyata mampu melebihi standar yang ditetapkan dalam penelitian ini yakni >=75.00000.
Sebagai bahan analisa, digunakan nilai softskill beberapa mahasiswa di semester ganjil.
Tabel 11. Nilai Atribut Softskill Mahasiswa Terhadap Suatu Matakuliah
Jika dilihat dari hasil setiap variabel, terdapat perbedaan nilai dari standar optimal perolehan Algoritma Genetika. Perbedaan nilai ini menjadikan hasil Algoritma Genetika belum mencapai keputusan yang diharapkan untuk penilaian terhadap kemampuan softskill seorang mahasiswa. Agar sampai pada tujuan, harus dilihat nilai penyimpangan atau nilai selisih atau nilai deviasi untuk menghasilkan interval nilai keputusan guna mewakili penilaian terhadap kemampuan mahasiswa tersebut.
Nilai deviasi adalah nilai selisih antara nilai-nilai optimal dengan nilai-nilai-nilai-nilai mahasiswa yang terdapat pada tabel 2.10. Nilai deviasi dibutuhkan untuk melihat sejauh mana penyimpangan nilai terdahulu dari nilai optimal hasil Algoritma Genetika. Nilai-nilai deviasi dapat dilihat pada tabel 12.
Tabel 12. Nilai Deviasi Atribut Softskill
Tabel 12. memperlihatkan nilai deviasi yang bervariasi untuk setiap variabel. Nilai deviasi diperoleh dari selisih antara nilai variabel optimal dengan nilai variabel softskill mahasiswa rata-rata di bawah 3%. Nilai negatif muncul akibat perolehan nilai mahasiswa melebihi standar optimal. Artinya semakin kecil perbedaan nilai mahasiswa dengan standar optimal yang ada, maka semakin baik kemampuan softskill mahasiswa tersebut. Sebaliknya, jika semakin besar perbedaan yang terjadi, maka semakin kurang kemampuan softskill mahasiswa tersebut. Untuk dapat mengukur kemampuan mahasiswa, baik kemampuan mahasiswa terhadap setiap atribut softskill maupun kemampuan softskill mahasiswa secara keseluruhan, maka dibuat interval nilai yang dapat menggambarkan indikator kemampuan mahasiswa berdasarkan nilai deviasi pada tabel 13.
Tabel 13. Interval Nilai Indikator Kemampuan Mahasiswa Berdasarkan Nilai Deviasi
Interval disusun dengan melihat nilai terkecil hingga nilai terbesar yang dihasilkan dari deviasi. Pada studi kasus penelitian ini, penilaian kemampuan mahasiswa diukur dalam tiga indikator, yaitu baik, sedang dan kurang. Penentuan kemampuan mahasiswa dilihat dari nilai mahasiswa yang masuk dalam range interval nilai indikator kemampuan mahasiswanya.
Tabel 14. Indikator Penilaian Softskill Setiap Mahasiswa
Namun dari hasil pengujian ini juga memperlihatkan kemungkinan bahwa mahasiswa yang indikator kemampuan softskill-nya baik, belum
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011 6 tentu memiliki indikator kemampuan yang baik pula
pada seluruh atribut softskill-nya. Perbedaan indikator pada lebih dari satu atau dua atribut, dapat mempengaruhi kesimpulan akhir tentang kemampuan softskill mahasiswa tersebut.
Hasil pengujian ini dapat disosialisasikan ke mahasiswa supaya mahasiswa termotivasi memperkecil jarak nilai softskill mereka dengan standar yang telah ditetapkan karena sekecil apapun kemampuan seorang mahasiswa akan tetap dihargai. Secara logika, tidak ada mahasiswa yang tidak memiliki kemampuan softskill sama sekali.
Adanya standar penilaian yang diperoleh dari proses Algoritma Genetika ini, diharapkan dapat memotivasi semangat belajar mahasiswa. Mahasiswa tidak perlu mencapai nilai maksimal untuk memperoleh predikat terbaiknya. Seorang dosen sudah dapat mengetahui kemampuan mahasiswa dan menghargainya dengan melihat pencapaian nilai-nilai tersebut yang mengacu pada standar optimalnya. Pencapaian tersebut membuat mahasiswa merasa dihargai usahanya dalam memahami sebuah matakuliah karena kemampuan setiap mahasiswa tidak sama. Selain itu, penilaian atribut softskill ini dilakukan oleh dosen di kelas setiap kali pertemuan, sehingga perkembangan softskill seorang mahasiswa dapat diketahui setiap saat dan lebih objektif. Hal ini akan menjadi motivasi tersendiri dalam diri mahasiswa untuk belajar lebih giat lagi.
5. KESIMPULAN
Penggunaan Algoritma Genetika dalam mengoptimalkan akurasi penilaian SCL merupakan penelitian untuk mencari nilai optimal dari setiap atribut softskill yang merupakan bagian dari metoda pembelajaran SCL. Berdasarkan penelitian ini dapat disimpulkan bahwa :
1. Algoritma Genetika dapat digunakan untuk mengoptimalkan akurasi penilaian khususnya atribut softskill pada metoda SCL dengan cara : a. Melakukan kodifikasi terhadap matakuliah dan
atribut-atribut softskill yang digunakan dalam proses Algoritma Genetika yang dipresentasikan dalam bentuk biner dengan menentukan jumlah atribut yang akan dioptimasi, yakni satu matakuliah untuk sample dan lima atribut softskill sebagai variabel. b. Menentukan jumlah bit yang mengkodekan
setiap variabel, yakni empat bit.
c. Menentukan jumlah gen dalam kromosom, yakni 20 gen.
d. Menentukan batas bawah dan batas atas dari interval nilai variabel, yakni 1 dan 2.
e. Menentukan parameter yang akan digunakan selama proses Algoritma Genetika berlangsung, yakni crossover 0.25 dan mutasi 0.01.
f. Menentukan ukuran populasi di awal proses, yakni 30.
g. Menemukan nilai fitness setiap kromosom berdasarkan langkah-langkah yang telah dilakukan sebelumnya (a-f).
h. Melakukan seleksi dengan Rouletteweel. i. Melakukan Crossover terhadap bit-bit
kromosom terpilih berdasarkan nilai parameter yang ditentukan dengan bantuan bilangan random.
j. Melakukan Mutasi terhadap bit-bit kromosom terpilih berdasarkan nilai parameter yang ditentukan dengan bantuan bilangan random. k. Menentukan kromosom terbaik di setiap
generasi berdasarkan nilai fitness dan nilai variabel yang diperoleh tiap kromosom. l. Melakukan proses Algoritma Genetika ini
secara berulang hingga menemukan kromosom terbaik yang mewakili nilai-nilai variabel yang paling optimal, yakni :
X1 Kemampuan Berkomunikasi 18.81
X2 Kerja Sama 6.938
X3 Berpikir Kritis 18.81
X4 Inisiatif 14.06
X5 Kemampuan Analitis 17.63 Total Nilai Variabel 76.25000 2. Sosialisasi nilai-nilai atribut softskill yang
optimal hasil proses Algoritma Genetika, dapat memotivasi semangat belajar mahasiswa, karena menjadi standar penilaian yang dapat mengukur kemampuan sofskill mahasiswa secara objektif tanpa perlu mencapai nilai maksimal untuk memperoleh predikat terbaiknya. Mahasiswa akan merasa lebih dihargai untuk setiap kemampuannya sehingga pada akhirnya akan meningkatkan hasil belajar mahasiswa itu sendiri.
PUSTAKA
Anita Desiani & Muh. Arhami, “Konsep Kecerdasan Buatan”, Penerbit Andi Yogyakarta 2006
Gen, M dan Cheng, R, “Genetic Algorithm and Engineering Design”, Ashikaga Institute of Technology Ashikaga, Japan, A Wiley-Interscience Publication, John Wiley & Sons, Inc (1997)
Halim – Yunus Abdul, “Jaringan Syaraf Backpropagation & Algoritma Genetika Untuk Meramalkan Indeks Harga Saham Gabungan” Sistem Pendidikan Tinggi, Helts Tahun 2003-2010 SK. Mendiknas No.045/U/2002
Sri Kusumadewi, “Artificial Intelligence (Teknik dan Aplikasinya)”, Penerbit Garaha Ilmu Sri Kesumadewi – Hari Purnomo, “Penyelesaian
Masalah Optimasi Dengan Teknik-teknik Heuristik”, Penerbit Graha Ilmu
Suyanto, “Algoritma Genetika Dalam Matlab”, Penerbit Andi Yogyakarta 2005
The International Comission on Education for the 21 st Century, UNESCO
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia – 2011 7 Tim Kerja Direktorat Pembinaan Akademik dan
Kemahasiswaan, Direktorat Jendral Pendidikan Tinggi Departemen Pendidikan Nasional, 2005 Jurnal “SCL”, oleh Bob Bender, University of
Missouri Columbia, 27 Mei 2003
Jurnal “Pengenalan Algoritma Genetika”, oleh Aries Syamsudin, 2004
Jurnal “Representasi Chromosome Algoritma Genetika Dalam Bentuk Biner”, oleh Denny Hermawanto, 2006
Jurnal “Aplikasi Algoritma Genetika”, oleh Sanjoyo, Juni 2006
Jurnal “Ragam Sumber Belajar”, oleh Unes A. Chaeuman, 20 Januari 2009
Jurnal “Pendekatan Spices dan Problem Base Learning (PBL)”, oleh dr. Ahmad Aulia Jusuf, Phd, 2009
Jurnal “Optimasi Kapasitas Komponen Pembangkit Listrik Hybrid PV/WG Menggunakan Algoritma Genetika”, oleh Julius A. Tanesab – Marthen Liga, 26 Maret 2010
Jurnal “23 Atribut Softskill Hasil Survey NACE USA Mengenai Kualitas Perguruan Tinggi Yang Diharapkan Dunia Kerja”