BAB 3
ANALISIS DATA DAN PERANCANGAN
3.1 Analisis Data dan Sistem dengan Metode Algoritma Genetika
Dalam penelitian ini data yang diambil adalah data-data Mahasiswa Registrasi
Ulang Mahasiswa Baru Universitas Sumatera Utara 2015.
Metode yang digunakan adalah algoritma genetika karena dapat menyelesaikan permasalahan penjadwalan registrasi ulang. Algoritma genetika merupakan metode pencarian dimana dalam proses encoding (pengkodean) menghasilkan string yang kemudian disebut kromosom yang terdiri dari sekumpulan bit-bit, pohon, array bilangan real, daftar aturan, elemen permutasi, elemen program, atau representasi
lainnya. Bit-bit ini dikenal sebagai penyusun sebuah kromosom. Jadi satu kromosom terdiri dari gen-gen. Gen dalam kasus ini adalah urutan tabel mahasiswa, jadwal ruangan dan waktu telah dikodekan terlebih dahulu sehingga membentuk suatu kromosom, berarti bahwa panjang kromosom akan sesuai dengan jumlah penjadwalan. Sedangkan individu merupakan kumpulan kromosom, dalam kasus ini satu individu memiliki satu kromosom. Sedangkan populasi, merupakan kumpulan individu yang telah ditentukan jumlahnya oleh user.
3.2Analisis Sistem
3.2.1 Perancangan Penelitian
Analisis suatu sistem bertujuan untuk mengidentifikasi permasalahan yang ada
pada sistem tersebut. Analisis ini sangat diperlukan sebagai dasar perancangan
sistem sebelum dibangun. Analisis sistem mencakup beberapa bagian yaitu
analisa data, deskripsi system penjadwan, perancangan desain dan implementasi
Metode penelitian yang dilakukan adalah metode penelitian eksperimen,
dengantahapan penelitian seperti berikut:
1. Identifikasi Masalah / Analisis Data
Tahap ini untuk mengumpulkan data yang diperlukan sebagai bahan masukan
(input) untuk membuat penjadwalan dengan algoritma genetika yaitu data
mahasiswa, jumlah ruangan, muatan ruangan, waktu proses permahasiswa,
jam mulai, jalur masukyang ada.
2. Penentuan parameter – parameter / nilai variabel
3. Perancangan system yang menerapkan parameter – parameter / nilai variabel
Untuk perancangan sistem penjadwalan registrasi ini terdiri dari tiga tahapan
yaitu:
a. Perancangan Algoritma Genetika
Proses ini untuk mengolah data input adalah dengan algoritma genetika.
Output yang dihasilkan sesuai dengan apa yang diharapkan.
b. Perancangan Desain
Tahap ini terdiri dari 3 bagian yaitu permodelan proses dan data
bertujuan untuk merancang diagram arus data (DAD), entity relationship
diagram (ERD) dan tabel database, serta perancangan user interface
bertujuan untuk merancang interface/tampilan input dan output sistem
pada layar dengan menggunakan prinsip-prinsip GUI (Graphical User
Interface) yang mudah dipahami oleh pengguna sistem.
c. Perancangan Sistem Penjadwalan
Mengimplementasikan rancangan sistem ke dalam modul program
(coding program). Pada proses ini akan mengkonversikan perancangan
ke dalam kegiatan operasi coding dengan menggunakan bahasa
pemograman tertentu yang dilandasi pada penggunaan algoritma
4. Eksperimen dan Pengujian Metode (Method Test and Experiment)
Menguji apakah aplikasi telah siap digunakan dan berfungsi dengan baik.
Proses pengujian dilakukan pada logika internal untuk memastikan semua
pernyataan sudah diuji. Pengujian eksternal fungsional untuk menemukan
kesalahan-kesalahan dan memastikan bahwa input akan memberikan hasil
yang aktual sesuai yang dibutuhkan. Pengujian pada penelitian ini mengambil
data penjadwalan registrasi ulang Universitas Sumatera Utara tahun 2015.
5. Evaluasi dan Validasi Hasil (Result Evaluation and Validation).
3.2.2 Metode Pengumpulan Data
Dalam penelitian ini data yang dikumpulkan terbagi menjadi dua jenis, yaitu:
a. Data Sekunder
Data sekunder adalah data yang diperoleh secara langsung bersumber dari
USU, dokumentasi, studi kasus, buku, jurnal dan informasi lainnnya yang ada
hubungannya dengan masalah yang diteliti. Data sekunder pada penelitian ini
adalah data penjadwalan yang selama ini dibuat oleh USU.
b. Data Primer
Data primer adalah data yang diperoleh dari penelitian. Data primer dalam
penelitian ini adalah data ruangan, data mahasiswa, waktu proses, data shift,
dan aturan-aturan untuk penjadwalan.
3.2.3 Data Identitas Mahasiswa
Data jadwal Mahasiswa diambil dari Universitas Sumatera Utara yang dilakukan
sebagai objek penelitian sebagai bahan dasar sampel sistem. Data tersebut
kemudian dimasukkan ke dalam database berupa bahan dasar sebagai data
penjadwalan nantinya terhadap sistem. Semua data tersebut digunakan ketika
aplikasi dijalankan. Database identitas Mahasiswa ditetapkan sebagai
SNMPTN dan BIDIK MISI, yang berisi tentang identitas Mahasiswa dan jalur
lulus.
Parameter – parameter yang diperlukan dalam masalah algoritma genetika di
registrasi ulang yaitu:
1. Jumlah Mahasiswa
a. Jalur SNMPTN : 2.611
b. Jalur BIDIK MISI : 468 Mahasiswa
2. Jumlah Ruangan
a. Jalur SNMPTN : 10 ruangan
b. Jalur BIDIK MISI : 2 ruangan
3. Kapasitas Ruangan
a. Jalur SNMPTN : 20 kursi
b. Jalur BIDIK MISI : 20 kursi
4. Waktu Proses/mahasiswa
a. Jalur SNMPTN : 1 menit
b. Jalur BIDIK MISI : 1.3 menit
5. Shift/hari
a. Shift Pagi (shift 1) : 09.00-12.00
b. Shift Sore (shift 2) : 13.00-16.00
Tabel 3.1 Data Mahasiswa Jalur SNMPTN
No Nama Asal Sekolah Nomor
Test/Ujian
1 Anne Tarmiya SMU Sutomo 1, Medan 4150120717
2 Nasri SMU WR Supratman 2, Medan 4150100928
3 Fitri Sri Rahma MA Negeri, Lubuk Pakam 4150126891
.
Tabel 3.2 Data Mahasiswa Jalur BIDIKMISI
No Nama Asal Sekolah Nomor
Test/Ujian
1 Theresia Magdalena SMU Negeri 17, Medan 4150417606
2 Rofikhatul Husna MAN Tanjung Morawa 4150190417
3 Masna Arisah SMAN PlusMandailingNatal 4150325375
.
468 Silvia Maura Smu Negeri 1, Kutacane 4150080743
3.2.4 Data Penjadwalan Mahasiswa dan Menentukan Ruangan
Database penjadwalan dan ruangan Mahasiswa Universitas Sumatera Utara
ditetapkan sebagai database jadwal registrasi ulang mahasiswa dimana
merupakan data setiap mahasiswa baik itu jalur regular dan Bidikmisi, yang berisi
tentang jadwal kegiatan mahasiswa tersebut dalam menjalankan registrasi ulang
tersebut.
Tabel 3.3 Data Penjadwalan dan Ruangan registrasi ulang mahasiswa jalur
SNMPTN
Tabel 3.4 Data Penjadwalan dan Ruangan registrasi ulang mahasiswa jalur
BIDIKMISI
No Nama Jadwal Jam Ruangan
1 Theresia Magdalena 09.00-10.00 WIB RB1
2 Rofikhatul Husna 10.00-11.00 WIB RB3
3 Masna Arisah 14.00-15.00 WIB RB6
468 Silvia Maura Smu Negeri 1, Kutacane RR10
3.3 Proses Penjadwalan dengan Algoritma Genetika
3.3.1 Rancangan Sistem
Proses rancangan sistem algoritma genetika pada penjadwalan registrasi terdiri
dari proses data input, Pembentukan Kromosom dari Populasi, Evaluasi Fitness,
Seleksi Proses, Perkawinan Silang (Crossover), Proses Mutasi dan Kondisi
selesai. Rancangansistem dapat dijelaskan melalui flowchart. Flowchart adalah
bagan-bagan yang menggambarkan langkah-langkah suatu masalah. Dibawah ini
flowchart algoritma genetika untuk menetukan permasalahan penjadwalan
registrasi.
Input Data
Evaluasi Nilai Fitness Pembuatan Kromosom
dan Populasi
Seleksi
Mutasi Crossover
Cek Fitness = 1
Tid ak
Ya Mulai
Selesai
Jumlah Mahasiswa, Jumlah Ruangan, Muatan Ruangan, Waktu Proses
3.3.2 Menentukan Representasi Kromosom
Penentuan populasi awal adalah proses membangkitkan sejumlah kromosom
secara acak (random). Kromosom menyatakan salah satu alternatif solusi yang
dimungkinkan. Kromosom dapat dikatakan sama dengan individu. Ukuran
populasi tergantung pada masalah yang akan diselesaikan. Setelah ukuran
populasi ditentukan, langkah selanjutnya adalah membangkitkan populasi awal
dengan cara melakukan inisialisasi solusi yang dimungkinkan kedalam sejumlah
kromosom. Panjang satu kromosom ditentukan berdasarkan permasalahan yang
diteliti.
Karena kita sudah mendapatkan data-datanya. Kita dapat menentukan
variable-variabel yang dibutuhkan, variablenya adalah jumlah_mahasiswa,
jumlah_ruangan, waktu_proses, kapasitas_ruangan. Maka variabel-variabel
tersebut dijadikan sebagai gen-gen pembentuk kromosom. Batasan nilai variabel
jumlah_mahasiswa = 2.611 orang untuk Jalur SNMPTN dan 468 orang untuk
jalur BIDIK MISI, jumlah_ruangan = 10 ruangan, waktu_proses = 1 menit untuk
jalur SNMPTN dan 1.3 menit untuk jalur BIDIK MISI, kapasitas_ruangan 20
orang untuk SNMPTN dan BIDIK MISI.
3.3.3 Inisialisasi dan Pembuatan Populasi Awal
Sebelum kita menentukan proses insialisasi kita tentukan variable baru untuk
jumlah_ruangan, Karena jumlah_ruangan = 10 maka kita tentukan variabelnya
misalkan Rn Karena kita memiliki 10 ruangan maka kita tentukan
R1,R2,R3…R10, Proses inisialisasi dilakukan dengan cara memberikan nilai awal
Untuk ilustrasi lebih jelasnya dapat dilihat pada Gambar berikut.
Gambar 3.2 Ilustrasi Dekode Kromosom
Jika jalur SNMPTN
a. Jumlah Mahasiswa : 2.611 mahasiswa
b. waktu proses : 1 menit
c. Jumlah Ruangan : 10 ruangan
d. kapasitas ruangan : 20 mahasiswa
Kita misalkan P = proses, Setiap P = 200 mahasiswa, karena dalam satu proses
ada 10 ruangan berjalan secara bersamaan, setiap dalam ruangan bermuatan 20
mahasiswa.
Jadi kita dapat menententukan jumlah populasi adalah 14 kromosom, maka:
kromosom [P1] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10] = [20;20;20;20;20;20;20;20;20;20]
kromosom [P2] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P3] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P4] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P5] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P6] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P7] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P8] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P9] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom[P10] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom[P11] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom[P12] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P13] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom[P14] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [11;00;00;00;00;00;00;00;00;00]
Jika jalur BIDIK MISI
a. Jumlah Mahasiswa : 468mahasiswa
b. waktu proses : 1.3 menit
c. Jumlah Ruangan : 2 ruangan
d. kapasitas ruangan : 20 mahasiswa
Kita misalkan P = proses, Setiap P = 40 mahasiswa, karena dalam satu proses ada
2 ruangan berjalan secara bersamaan, setiap dalam ruangan bermuatan 20
Maka P = Jumlah Ruangan x Muatan Ruangan
= 2 x 20
= 40
Jadi, untuk P ada: P1 + P2 + P3 + P4 + P5 + P6 + P7 + P8 + P9 + P10 + P11 +
P12 = 468 mahasiswa.
Jadi kita dapat menententukan jumlah populasi adalah 12 kromosom, maka:
kromosom [P1] = [R1;R2] = [20;20]
kromosom [P2] = [R1;R2] = [20;20]
kromosom [P3] = [R1;R2]= [20;20]
kromosom [P4] = [R1;R2] = [20;20]
kromosom [P5] = [R1;R2] = [20;20]
kromosom [P6] = [R1;R2] = [20;20]
kromosom [P7] = [R1;R2] = [20;20]
kromosom [P8] = [R1;R2] = [20;20]
kromosom [P9] = [R1;R2] = [20;20]
kromosom[P10] = [R1;R2] = [20;20]
kromosom[P11] = [R1;R2] = [20;20]
kromosom[P12] = [R1;R2] = [20;08]
Untuk menentukan populasi awal dilakukan dengan mengacak secara random
nomor antrian dari tabel-tabel yang telah di tentukan yakni tabel kode gen
mahasiswa dalam satu shift dan tabel slot waktu. Jumlah kromosom yang akan di
inisialisasi dalam populasi awal ini adalah sebanyak 14 kromosom untuk jalur
Tabel 3.5 Kode Gen Proses
SNMPTN BIDIK MISI
No_Antrian_Gen Proses No_Antrian_Gen Proses
1-200 P1 1-40 P1
Tabel 3.6 Slot Waktu SNMPTN
No_Antrian_Proses Jam Mulai Jam Selesai
Tabel 3.7 Slot Waktu BIDIK MISI
No_Antrian_Proses Jam Mulai Jam Selesai
P1 09.01 09.26
3.3.4 Evaluasi Nilai Fitness
Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran
performansinya. Didalam evolusi alam, individu yang bernilai fitness tinggi yang
akan bertahan hidup. Sedangkan individu yang bernilai fitness rendah akan mati.
Fungsi yang digunakan untuk mengukur nilai kecocokan atau derajat
optimalitas suatu kromosom disebut dengan fitness function (Sam’ani, 2012).
Nilai yang dihasilkan dari fungsi tersebut menandakan seberapa optimal solusi
yang diperoleh. Nilai yang dihasilkan oleh fungsi fitness merepresentasikan
seberapa banyak jumlah persyaratan yang dilanggar, sehingga dalam kasus
penjadwalan semakin kecil jumlah pelanggaran yang dihasilkan maka solusi yang
dihasilkan akan semakin baik. Untuk setiap pelanggaran yang terjadi akan
diberikan nilai 1. Agar tidak terjadi nilai fitness yang tak terhingga maka jumlah
total semua pelanggaran akan ditambahkan 1.
Rumus fitness yang digunakan, (Sam’ani, 2012) adalah sebagai berikut:
������� = 1
Keterangan:
MT = Banyaknya Mahasiswa Melakukan Pelanggaran / Mahasiswa Terlambat
Terdapat batasan yang tidak boleh dilanggardalam penjadwalan adalah bagi yang
terlambat jadwalnya akan di undur agar tidak mengganggu jadwal yang lain.
Dari data yang ada akan menghasilkan nilai fitness sebagai berikut:
Fitness Kromosom A = 1
1+( 0 ) = 1
Fitness Kromosom B = 1
1+( 1 ) = 0,5
Penetapan nilai fitness kromosom hanya digunakan untuk menghitung fitness
jadwal ruangan dan mahasiswa. Adapun cara penetapan nilai fitness kromosom
adalah sebagai berikut:
a. Untuk setiap tidak terjadi keterlambatan akan diberikan nilai 0
b. Untuk setiap terjadi keterlambatan akan diberikan nilai 1
3.3.5 Seleksi
Proses seleksi bertujuan untuk memilih individu-individu yang akan dipilih untuk
proses persilangan dan mutasi, sehingga akan diperoleh calon induk yang baik.
Induk yang baik akan menghasilkan keturunan yang baik. Langkah pertama dalam
seleksi yaitu pencarian nilai fitness. Masing-masing individu dalam suatu wadah
seleksi akan menerima probabilitas reproduksi yang tergantung pada nilai objektif
dirinya sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi
tersebut.
Pembentukan susunan kromosom pada suatu populasi baru dilakukan
dengan menggunakan metode seleksi roulette-wheel. Sesuai dengan namanya,
metode ini menirukan permainan roulette-wheel dimana masing-masing
lebih besar menempati potongan lingkaran yang lebih besar dibandingkan dengan
kromosom bernilai fitness rendah.
Langkah pertama metode ini adalah dengan menghitung total nilai fitness
seluruh kromosom seperti tabel:
Tabel 3.8 Nilai Fitness
Kromosom Nilai Fitness
A 1
B 0.5
Total Nilai Fitness 1.5
Langkah kedua adalah menghitung probabilitas setiap kromosom dengan cara membagi nilai fitness tiap kromosom dengan total nilai fitness.
Rumus untuk mencari probabilitas: P[i] = fitness[i] / total_fitness (5)
Sehingga didapatkan hasil seperti table:
Tabel 3.9 Probabilitas tiap kromosom
Kromosom Probabilitas
A 1 / 1.5 = 0.66
B 0.5 / 1.5 = 0.33
Total Probabilitas 1
Langkah ketiga adalah menempatkan masing-masing kromosom pada interval nilai [0 – 1]. Dapat dilihat pada table:
Tabel 3.10 Interval tiap kromosom
Kromosom Interval Nilai
A 0 - 0.66
B 0.67- 1
3.3.6 Crossover
Pindah silang (CrossOver) digunakan sebagai metode pemotongan kromosom
secara acak (random) dan merupakan penggabungan bagian pertama dari
Pindah silang bisa dilakukan hanya jika suatu bilangan acak (random)
yang dibangkitkan untuk kromosom kurang dari probabilitas pindah silang (Pc)
yang ditentukan. Menurut (Suyanto, 2005) Pc umumnya diset mendekati 1,
misalnya 0,5.
Metode pindah silang yang paling umum digunakan adalah pindah silang
satu titik potong (one-point crossover). Suatu titik potong dipilih secara acak
(random), kemudian bagian pertama dari kromosom induk 1 digabungkan dengan
bagian kedua dari kromosom induk 2. Bilangan acak (random) yang dibangkitkan
untuk menentukan posisi titik potong adalah [1-N] dimana N merupakan
banyaknya jumlah gen dalam satu kromosom.
Dimisalkan dari contoh yang ada nilai untuk kromosom P1 dan P3 kurang
dari Pc yang ditetapkan serta bilangan acak (random) untuk posisi perpindahan
adalah pada posisi P1 gen ke 4 dan 7, P3 gen ke 1 dan 10. maka proses pindah
silangnya adalah:
kromosom [P1] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P3] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
Agar lebih mudah kita akan menambahkan variabel agar mudah
membedakannya:
kromosom [P1] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [A20;B20;C20;D20;E20;F20;G20;H20;I20;J20]
kromosom [P3] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [Q20;R20;S20;T20;U20;V20;W20;X20;Y20;Z20]
Hasil pindah silang kedua kromosom tersebut adalah:
kromosom [P1] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [A20;B20;C20;Q20;E20;F20;Z20;H20;I20;J20]
3.3.7 Mutasi
Proses mutasi adalah suatu proses kemungkinan memodifikasi informasi gen-gen
pada suatu kromosom Perubahan ini dapat membuat solusi duplikasi menjadi
memiliki nilai fitness yang lebih rendah maupun lebih tinggi daripada solusi
induknya. Jika ternyata diperoleh solusi yang memiliki fitness yang lebih tinggi
maka hal itulah yang diharapkan. Tetapi jika diperoleh solusi dengan nilai fitness
yang lebih rendah maka bisa jadi pada iterasi berikutnya diperoleh solusi hasil
mutasi yang lebih baik nilai fitnessnya daripada solusi induknya. Untuk semua
gen yang ada, jika bilangan acak (random) yang dibangkitkan kurang dari
probabilitas mutasi (Pmut) yang telah ditentukan maka beberapa informasi gen
akan dirubah dengan menggunakan metode pengkodean nilai. Pada umumnya
diset antara [0 – 1], misalnya 0,1 (Suyanto, 2005).
Untuk memilih posisi gen yang mengalami mutasi dilakukan dengan cara
membangkitkan bilangan integer acak antara 1 sampai total_gen, yaitu untuk jalur
SNMPTN 1 sampai 140 dan untuk jalur BIDIKMISI 1 sampai 24. Probabilitas
mutasi ditetapkan 0,1 maka diharapkan mutasi yang terjadi adalah: 0,1 x 140 = 14
(SNMPTN) dan 0,1 x 12 = 1,2 (BIDIKMISI), 2 gen yang akan mengalami mutasi.
Selanjutnya dilakukan iterasi sebanyak jumlah total gen [0-140] dan [0-12]
membangkitkan bilangan acak untuk tiap iterasi antara [0-1]. Diasumsikan gen
yang mendapatkan bilangan dibawah probabilitas mutasi adalah gen 2 (P1) dan 3
(P3) dari (SNMPTN). Informasi dalam gen yang akan dirubah adalah waktu dan
ruangan, maka hasil mutasi pada kromosom tersebut adalah:
Agar lebih mudah kita akan merubah variabel agar mudah membedakannya:
Sebelum Mutasi
a. kromosom [P1] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [A20;B20;C20;D20;E20;F20;G20;H20;I20;J20]
b. kromosom [P3] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
Sesudah Mutasi
Kromosom [Pn] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [B20;D20;E20;H20;J20;Q20;S20;T20;U20;V20]
Hasil kromosom ( P2, P4, P5, P6…P14) memiliki nilai fitness terbaik karena tidak
terdapat pelanggaran yang telah ditetapkan dan merupakan solusi yang
diinginkan.
3.4. Diagram Proses Penentuan Jadwal Dinamis
Diagram bertujuan untuk menggambarkan prosespenentuan jadwal dinamis pada
sistem yang dibuat.
Hadir Terlambat
Mulai
Pembuatan Jadwal
Cek Jadwal
Proses Pengambilan Berkas
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Tahapan yang dilakukan setelah analisis dan perancangan sistem adalah
implementasi dan pengujian sistem. Tahapan ini diperlukan untuk mengetahui
apakah media teknologi informasi tersebut berhasil atau tidak. Berikut merupakan
hasil implementasi dan pengujian dari sistem yang sudah dibangun.
Data yang telah diproses dalam bahasa program dengan algoritma genetika akan
diimplementasikan. Implementasi adalah menerapkan tahap algoritma dan
perancangan ke dalam bentuk bahasa program. Hasil implementasi penjadwalan
registrasi ulang dengan algoritma genetik sebagai berikut.
4.1 Implementasi Sistem
Sesuai dengan hasil analisis dan perancangan sistem yang telah dibuat,
dilakukanlah implementasi perancangan menjadi aplikasi penjadwalan yang
ditujukan membantu dalam menentukan penjadwalan registrasiulang dengan
menggunakan Algoritma Genetika ke dalam bahasa pemrograman HTML, PHP,
CSS dan MySQL.
4.1.1 Spesifikasi Perangkat Keras dan Perangkat Lunak yang Digunakan
Sistem dibuat di dalam lingkungan perangakat keras yang memiliki spesifikasi
sebagai berikut:
1. Processor CORE i7-4700HQ CPU @ 2.40GHz.
2. Memory RAM yang digunakan 8 GB.
Selain perangkat keras, sistem juga dibuat dalam lingkungan spesifikasi perangkat
lunak sebagai berikut:
1. System type Windows 10 Enterprise N 64-bit.
2. Sublime Text.
3. XAMPP.
4. Maxthon dan UC Browser
4.1.2 Tampilan-Tampilan Desain Aplikasi Penjadwalan
Tampilan halaman utama aplikasi merupakan tampilan desain Admin ketika
aplikasi dijalankan. Pada tampilan utama terdapat empat Menu dimana masing
masing menu berisi halaman halaman dalam proses terbentuknya penjadwalan
registrasi ulang universitas sumatera utara dengan metode algoritma genetika.
Adapun tampilannya dapat dilihat pada gambar
Gambar 4.1.Ketika program belum dijalankan
Pada gambar diatas tampak halaman utama pada penjadwalan registrasi
ulang unversitas sumatera utara dimana halaman didesain sebaik mungkin dengan
hasil yang tidak terlampau mencolok.
Pada halaman depan terdapat panel menu / dashboard yang berfungsi
sebagai halaman utama yang berisikan tentang informasi yang ada di sekitar
berisikan tentang semua data para calon mahasiswa yang lulus di universitas
sumatera utara. Untuk lebih jelas nya perhatikan gambar dibawah ini.
Gambar 4.2. Penginputan data para calon mahasiswa
Gambar diatas berisikan tentang nama, asal sekolah, nomor tes/pendaftaran dan
jalur masuk.
Sedangkan pada panel generate jadwal adalah halaman dimana admin
dapat menginput batas-batas yang menentukan penjadwalan registrasi universitas
sumatera utara. Berikut adalah tampilan panel generate jadwal.
Gambar 4.4. Menentukan Batasan bagi jadwal yang Terlambat / Generate
Admin dapat mengubah generate / batas-batasannya sesuai dengan yang di
sediakan, misalnya jumlah ruangan 10, muatan ruangan 20, waktu proses 20
menit, jam mulai 09.00 dan jalur masuk. Jika di hari pelaksanaan registrasi tidak
diperbolehkan mengganti generatenya, itu dapat merubah jadwal yang sudah ada
dan begitu juga menentukan batasan jadwal yang terlambat.
Sedangkan pada panel cetak jadwal dimana admin mencetak semua jadwal
yang sudah dikeluarkan oleh sistem penjadwalan berdasarkan data yang sudah
diinput ke dalam sistem penjadwalan registrasi ulang. Perhatikan gambar berikut.
Apabila admin ingin mencetak jadwal, admin dapat langsung mengklik tombol
panel cetak. Setelah dicetak maka akan diinformasi universitas sumatera utara
agar setiap calon mahasiswa dapat melihat jadwal mereka di mading dan bisa di
lihat langsung secara online.
Namun sebelum admin mencetak hasil dari jadwal. Admin dapat meninjau
ulang/meriview semua jadwal terlebih dahulu sebelum dicetak dan ditempelkan ke
dalam mading universitas sumatera utara. Untuk pratinjau dari jadwal registrasi
dapat dilihat pada gambar berikut ini.
Gambar 4.6. Pratinjau pada jadwal
Sedangkan pada panel cetak jadwal terlambat dimana admin telah
menggenerate khusus penentuan padabatasan jadwal yang terlambat kemudian
mencetak semua jadwal berdasarkan data-data yang sudah diseleki ke dalam
Gambar 4.7. Cetak jadwal Terlambat
Hasil pembuatan jadwal baru yang sudah di seleksi dan di generate.
Berikut adalah ada perubahan jadwal karena melanggar peraturan (terlambat).
Gambar 4.9. Pratinjau pada jadwal lama
Berikut adalah perubahan jadwal bagi yang terlambat yang dimana ada
perubahan waktu dan ruangan, sebelumnya ada di ruangan RR7 pada pukul 10.20
Kemudian pada panel selanjutnya adalah cek jadwal dan cek jadwal
terlambat dimana admin mengecek atau memeriksa jadwal yang sudah
dikeluarkan, bagi calon mahasiswa datang yang tepat waktu di persilahkan
mengantri seperti yang sudah di jadwalkan, jika bagi calon mahasiswa datang
yang tidak tepat waktu (terlambat) tidak di perbolehkan masuk dalam antrian yang
sudah di tetapkan, khusus bagi yang terlambat dapat melapor ke petugas / panitia
setempat dan melihat kembali jadwal yang baru. Perhatikan gambar berikut.
Gambar 4.11. Penginputan dan pengecekan nomor pendaftaran
Gambar 4.13. Penginputan dan pengecekan nomor pendaftaran jadwal terlambat
Gambar 4.14. Informasi jadwal Terlambat
Pada tabel diatas tampak hasil dari penjadwalan dimana jadwalnya adalah
pada pukul 09.40 WIB di ruangan RR4. Pada hasil analisis diatas tampak jadwal
mahasiswa yang dijadikan sampel sebagai calon mahasiswa yang akan registrasi
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil pembahasan tentang sistem penjadwalan dinamis menggunakan metode
algoritma genetika maka diambil kesimpulan sebagai berikut:
1. Dengan adanya sistem penjadwalan ini, maka dapat membuat aplikasi
penjadwalan registrasi menjadi lebih mudah dipergunakan untuk membuat
program penjadwalan registrasi ulang dan bagi mahasiswa yang terlambat.
2. Sistem ini juga dapat mempermudah dalam memberi informasi kepada operator
pengawas penjadwalan registrasi ulang.
5.2 Saran
Untuk pengembangan lebih lanjut maka penulis memberikan saran yang sangat
bermanfaat dan dapat membantu proses penjadwalan registrasi ulang universitas
sumatera utara bagi peneliti selanjutnya, yaitu:
1. Perlunya pengembangan sistem agar setiap operator memiliki ID dan password
sehingga operator dapat memantau jadwal dalam tugasnya masing-masing.
2. Perlunya menambahkan kode barcode di setiap kartu jadwal mahasiswa,
sehingga operator tidak perlu menginput nomor registrasi mahasiswa untuk
