PROSIDING PERTEMUAN DAN PRESENTASI KARYA ILMIAH BALI, 29 JULI 2016 PEMBICARA UTAMA SEMINAR PARALEL DENGAN TEMA

ISSN : 2302-450X

ISSN : 2302-450X

PROSIDING

PERTEMUAN DAN PRESENTASI KARYA ILMIAH BALI, 29 JULI 2016

PEMBICARA UTAMA SEMINAR PARALEL DENGAN TEMA

“P “ P em e ma an n fa f aa a ta t an n Te T ek kn n o o lo l og gi i Bi B ig g Da D at ta a da d a n n Bu B u si s in ne es ss s In I nt te e ll l li ig ge en nc c e e un u n tu t u k k Me M ew wu uj ju u dk d ka a n n Sm S ma ar rt t Cu C ul lt t ur u ra al l Ci C it t y” y ”

Prof. Dr. Ir. Suhono Harso Supangkat, CGEIT.

I. B. Rai Dharmawijaya Mantra I. B. Gede Dwidasmara, S.Kom., M.Cs.

I Putu Suryawan, S.E., M.M.

PENYUNTING AHLI

Prof. Dr. I Ketut Gede Darma Putra, S.Kom., M.T.

Dr. H. Agus Zainal Arifin, S.Kom., M.Kom.

Dr.techn. Ahmad Ashari, M.Kom.

Dr. Drs. Anak Agung Ngurah Gunawan, M.T.

Agus Muliantara, S.Kom., M.Kom.

PELAKSANA SEMINAR

PELINDUNG

Rektor Universitas Udayana, Bali

PENANGGUNG JAWAB

Dekan Fakultas MIPA Universitas Udayana

Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana

PANITIA

I Gusti Ngurah Anom Cahyadi Putra,S.T.,M.Cs.

Gst. Ayu Vida Mastrika Giri, S.Kom., M.Cs.

I Gede Arta Wibawa,S.T.,M.Kom

Ida Bagus Made Mahendra, S.Kom., M.Kom.

I Putu Gede Hendra Suputra, S.Kom., M.Kom.

Luh Arida Ayu Rahning Putri,S.Kom.,M.Cs.

Made Agung Raharja, S.Si., M.Cs.

I Gede Santi Astawa, S.T., M.Cs.

I Komang Ari Mogi, S.Kom, M.Kom.

Ida Bagus Gede Dwidasmara,S.Kom.,M.Cs.

Dewa Made Bayu Atmaja Darmawan,S.Kom.,M.Cs.

I Made Widiartha, S.Si., M.Kom.

I Gusti Agung Gede Arya Kadnyanan.,S.Kom.,M.Kom.

I Gede Oka Gartria A.,S.Kom.,M.Kom.

I Wayan Supriana, S.Si., M.Cs.

Dra. Luh Gede Astuti, M.Kom.

KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya penyusunan Prosiding SNATIA 2016 ini. Buku ini memuat naskah hasil penelitian dari berbagai bidang kajian yang telah direview oleh pakar di bidangnya dan telah dipresentasikan dalam acara Seminar SNATIA tahun 2016 pada tanggal 29 Juli 2016 di Universitas Udayana kampus Bukit Jimbaran, Badung, Bali.

Kegiatan SNATIA 2016 merupakan agenda tahunan Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2016 mengambil tema “Pemanfaatan Teknologi Big Data dan Business Intelligence untuk Mewujudkan Smart Cultural City”, dengan pembicara utama seminar yang terdiri dari pakar-pakar peneliti dan pemerhati di bidang Teknologi Informasi dan Smart City.

Meskipun kegiatan seminar dan pendokumentasian naskah dalam prosiding ini telah dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Panitia memohon maaf yang sebesar-besarnya atas kekurangan yang ada. Kritik dan saran perbaikan sangat kami harapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui e-mail snatia.unud@gmail.com.

Kepada semua pihak yang terlibat baik langsung maupun tidak langsung dalam penyelenggaraan seminar dan penyusunan prosiding SNATIA 2016, panitia mengucapkan terima kasih.

Jimbaran, 29 Juli 2016

Panitia SNATIA 2016

Halaman ini sengaja dibiarkan kosong.

DAFTAR ISI

Kata Pengantar Daftar Isi

Artificial Intelligence

Implementasi Algoritma Genetika pada Penjadwalan Bimbingan Tugas Akhir (Studi Kasus Jurusan Ilmu Komputer Universitas Udayana)

Alfin Amri ... 1 Implementasi Metode Naïve Bayes Classifier dalam Mendeteksi Penyakit Saluran Kemih

I Gede Krisna Putra Andiana ... 9 Klasifikasi Jamur Menggunakan Metode Naïve Bayes dengan Pemrosesan Paralel

I Putu Agus Suarya Wibawa ... 15 Klasifikasi Pengidap Diabetes Menggunakan Metode Naive Bayes dengan Pemrosesan

Pararel

Daniel Kurniawan... 23 Komparasi Algoritma C4.5, Naïve Bayes dan K-Nearest Neighbor (K-Nn) untuk

Mendeteksi Kanker Payudara

Rayung Wulan... 29 Penerapan Metode LCG (Linear Congruential Generator) pada Sistem Pengacak Soal

Studi Kasus : BLCC (Bali Logic and Computer Competition) Unud

I Wayan Puguh Sudarma... 35 Perancangan Monitoring and Controlling Traffic Light pada Different Street Condition

Menggunakan Jaringan Internet

Cries Avian... 43 Perancangan Sistem Evaluasi Nilai Akademik Mahasiswa Menggunakan K-Means

Clustering

Risky Aswi Ramadhani ... 49 Perancangan Sistem Pengklasifikasian Musik Menggunakan Algoritma Support Vector

Machine

I Gst. Agung Wisnu Adi Kusuma... 55

Rancang Bangun Aplikasi Pencocokan Citra Tanda Tangan

Resty Wulanningrum ... 61

Information Systems

Analisa Sistem Informasi Persediaan Barang Pada PT. Dua Libra

Nur Azizah ... 67 Analisa Sistem Pembayaran Futsal Pada PT. Padang Golf Moderland

Nur Azizah ... 77 Analisis dan Perancangan Aplikasi ETL Untuk Data Warehouse

Made Mahadipta ... 87 Aprida Aplikasi Penilaian Fleksibel untuk Guru dan Dosen

Fatkur Rhohman... 99 Desain Aplikasi Prosiars Sebagai Media Pendukung Akuisisi Ketrampilan Tata Kelola

Rekam Medis

Slamet Sudaryanto N ... 103 Desain Model Integrasi dan Sinkronisasi Antar Unit Surveilans Untuk Mendukung Data

Warehouse Epidemiologi

Fikri Budiman ... 111 Evaluasi Penggunaan Website dan Fasilitas E-Learning Universitas Nusa Nipa

Menggunakan Metode Analisis Pieces Framework Menuju Paperless Office

Agustinus Lambertus Suban ... 119 Implementasi Single Page Application pada Aplikasi Sintask Menggunakan Javascript

Dan Jquery

Aditya Wikardiyan... 129 Pengembangan dan Software Testing Aplikasi Tebak Huruf Jawa

Supriyono... 135 Perancangan Aplikasi E-Learning Berbasis Android Pada Media Pembelajaran Alternatif

I Kadek Ardi Angga ... 141 Perancangan dan Implementasi Aplikasi Media Reservasi Makanan Berbasis Client

Server dengan Platform Android

Ayu Puspita Wardani Okayana... 147

Perancangan Data Warehouse pada Penjualan Kain Endek Bali (Studi Kasus Toko Luhur Busana Bali)

Rosa Irma Cahyani... 153 Perancangan Sistem Informasi Ensiklopedi Motif Kain Endek Khas Bali

I Gusti Ag Ayu Putu Rhera Mahayekti... 161 Perancangan Sistem Informasi Pendataan Surat Masuk dan Surat Keluar Pada Media

Cetak Tabloid Tipikor Berbasis Web

Nur Azizah ... 169 Perancangan Sistem Inventaris Sarana Akademik UN PGRI Kediri

Intan Nur Farida ... 181 Perancangan Sistem Tracer Alumni untuk Menentukan Profil Lulusan Prodi Teknik

Informatika Universitas Nusantara PGRI Kediri

Danar Putra Pamungkas... 187 Purwarupa Sistem Layanan Perpustakaan Menggunakan Konsep Basis Data

Terdistribusi

Putu Andina Titra Dewi... 193 Rancang Bangun Sistem Monitoring Sarbagita Berbasis Mobile Sebagai Solusi

Peningkatan Kepuasan Pelanggan Sarbagita

Ida Bagus Dananjaya... 199 Rancangan Emergency Call Sebagai Penanganan Kecelakaan Di Kota Kediri

Ervin Kusuma Dewi ... 207 Sistem Informasi Monitoring Bus Trans Sarbagita Berbasis Web

I Putu Gede Surya Hadi Kusuma ... 213 Sistem Informasi Pengarsipan Kinerja Dosen Menggunakan Restful Web Service

Teguh Andriyanto ... 221

Sistem Pengolahan Data Akademik Di Universitas Nusantara PGRI Kediri

Juli Sulaksono... 227

Knowledge Management

Aplikasi Sistem Pencarian E-Book Dengan Memanfaatkan Web Crawler Berdasarkan Kesamaan Semantik

Diana Ikasari... 233

Implementasi Algoritma C4.5 Pada Sistem Pendukung Keputusan Pemilihan Kos Di Daerah Bukit Jimbaran Bali

Imam Zarkasi... 241 Implementasi dan Perbandingan Algoritma Stemming untuk Dokumen Teks Berbahasa

Indonesia

Dina Anggraini... 247 Penerapan Metode Profile Matching dalam Menentukan Kualitas Ikan Tuna (Studi

Kasus Pt.Primo Indo Ikan)

Agus Aan Jiwa Permana ... 255 Perancangan dan Implementasi Sistem Pendukung Keputusan Dalam Lomba Desa Pada

Kantor Badan Pemberdayaan Masyarakat Dan Pemerintahan Desa Di Provinsi Nusa Tenggara Barat Dengan Metode Topsis

Ni Putu Eka Listiani... 263 Perancangan Knowledge Management System Motif Kain Endek Khas Bali

Riska Prasetiyo Utami ... 269 Perancangan Rekomendasi Penjualan Endek Pada Sistem Web E-Commerce

Menggunakan Metode Hybrid Filtering

Luh Ayu Diah Fernita Sari... 279 Perancangan Simulasi Keuntungan Penjualan Bensin Pada Stasiun Pengisian Bahan

Bakar Umum (SPBU) Menggunakan Metode Monte Carlo (Studi Kasus Spbu Jl. Raya Uluwatu, Jimbaran)

I Putu Surya Diputra... 287 Simulasi Transaksi untuk Memperkirakan Keuntungan pada Minimarket Vidya dengan

Menggunakan Metode Monte Carlo

Josua Geovani Sinaga... 299 Sistem Pakar untuk Diagnosa Penyakit Diabetes Mellitus dengan Metode Mamdani

Pada Puskesmas Di Jakarta Timur

Za’imatun Niswati ... 307 Sistem Pendukung Keputusan dalam Penentuan Supplier Tanaman Terbaik

Menggunakan Metode Simple Additive Weighting Studi Kasus CV. Intan Mas Ajie

Rr. Putri Intan Paramaeswari... 315 Sistem Pendukung Keputusan Menentukan Lokasi Membangun Ruko Menggunakan

Metode SAW Dan Proses Paralel

I Gede Surya Adhi Martana... 323

Sistem Pendukung Keputusan Pemilihan Paket Telekomunikasi Smartphone Atau Gadget Dengan Metode SAW (Simple Additive Weighting)

Christina ... 329 Sistem Pendukung Keputusan Pemilihan Portofolio Investasi Saham di Bursa Efek

Indonesia Menggunakan Metode Saw dan Proses Paralel

I Gede Wicaksana... 335 Sistem Pendukung Keputusan Penentuan Anak Asuh Bagi Peserta Didik Dengan Metode

SAW (Simple Additive Weighting)

Rina Firliana... 341 Sistem Pendukung Keputusan Penentuan Lokasi Pembangunan Minimarket

Menggunakan Metode Simple Additive Weighting (Studi Kasus Kabupaten Gianyar)

Gede Surya Adiwiguna... 349 Sistem Pendukung Keputusan Perekrutan Pegawai Dengan Metode Naïve Bayes (Studi

Kasus di PT. Tatamulia)

Ni Putu Striratna Devi Wedayanti... 357 Sistem Pendukung Keputusan Perekrutan Pegawai Menggunakan Perangkingan

MADM TOPSIS

Luh Putu Dewi Cahyuni... 363 Sistem Pendukung Keputusan Seleksi Penerima Beasiswa di SMKN 3 Negara

Menggunakan Metode Analytical Hierarchy Process (AHP)

I Putu Krisna Adi Syandhana ... 369 SPK Penentuan Lokasi Pembangunan Perumahan Menggunakan Metode SAW dengan

Pemrosesan Paralel (Studi Kasus Kab. Jembrana)

Gede Satria Pinandita ... 377 SPK untuk Menenentukan Kesesuaian Lahan Tanaman Kopi Arabika Menggunakan

Metode WP dengan Pemrosesan Paralel

Ketut Yudi Werdika ... 383 Web Dinamis Sebagai Sistem Bantu Pencarian Rumah Kos Mahasiswa Dengan Metode

Weighted Product (WP)

Patmi Kasih... 389

Multimedia Application

Analisis Sistem Rekomendasi Musik Berdasarkan Konteks Menggunakan Soft Case- Based Reasoning

Gst. Ayu Vida Mastrika Giri... 395 Aplikasi Alat Musik Padang Berbasis Android

I Gusti Ngurah Anom Cahyadi Putra ... 401 Aplikasi Reduksi Noise Citra Aksara Bali Pada Lontar

Gusti Agung Mas Trisna Krishany... 409 Implementasi Augmented Reality Pada Objek-Objek Museum Bali Studi Awal

Perancangan Aplikasi Edukasi Untuk Pengunjung Museum

Gerson Feoh... 415 Pengembangan Game “Super Sonic Shoot” dengan Pendekatan Game-SCRUM

Falahah... 423 Perancangan Sistem Informasi Pembelajaran Pembuatan Banten Berbasis Video

Streaming

I Putu Septian Arya Pratama... 429

Networking and Security

Aplikasi Chatting Berbasis Multiagent Menggunakan Java Agent Development Framework (JADE)

Nisa Miftachurohmah ... 437 Color Image Encryption Using RC4 Algorithm

Andysah Putera Utama Siahaan ... 443 Implementasi Algoritma RC6 Sebagai Pengamanan Aplikasi Chatting

Anneke Puspita Dewi ... 449 Pengelolaan Routing OLSR Pada Jaringan Wireless Mesh

Iwan Rijayana... 459 Pengembangan Aplikasi Context Aware Pada Teknolog Near Field Communcation

Yuli Fauziah ... 467 Penggunaan Metode Kriptografi pada Voice Over Internet Protokol

Eka Suweantara... 473

Perancangan dan Implementasi Aplikasi Chat Menggunakan MQTT Protocol

Muhammad Ridwan Satrio ... 481 Perancangan SMS Gateway Untuk Pelayanan Informasi pada Kegiatan Desa Adat

I Putu Raka Wiratma ... 485 Rancang Bangun Sistem Informasi Paroki Habi Keuskupan Maumere Melalui SMS

Gateway

Theresia Wihelmina Mado... 491 Sistem Informasi Pengingat Pengumpulan Nilai Berbasis SMS Gateway pada Prodi

Sistem Informasi Universitas Nusantara PGRI Kediri

Fajar Rohman Hariri, M.Kom ... 499 Sistem Kendali DC Converter Untuk Aplikasi Sistem (CAES)

Widjonarko... 507 Perancangan Sistem Penentuan Jadwal Mata Kuliah Menggunakan Algoritma Genetika

I Wayan Supriana ... 509

Abstract

Genetic algorithms have accounts that are not few and require high accuracy so that the necessary technology that can perform calculations quickly and accurately . Note that although the calculations were a little genetic algorithms and require high accuracy , this algorithm can solve various problems in daily life such as scheduling courses. This is because the genetic algorithm is a search algorithm that aims to find solutions to a problem that mimic the mechanism of natural genetics that is, finding the best arrangement of genes in our bodies

We know that in order to draw up a schedule of courses is very difficult . This is because there is a large number of rooms , courses, faculty , and students must be coordinated so that no conflict of schedule so the lecture can take place properly . If there is a clash of the lecture will have an impact on

Keywords : Course , Genetic Algorithm

1. PENDAHULUAN

Teknologi yang memiliki manfaat yang begitu besar bagi kehidupan manusia belakangan ini menjadi perhatian yang cukup serius di kalangan masyarakat. Hampir di berbagai aspek kegiatan sudah tersentuh oleh perkembangan teknologi informasi. Sudah tidak bisa di hindari lagi derasnya penggunaan teknologi informasi pada saat ini, apalagi di lingkungan kampus, teknologi informasi sudah menjadi bagian yang sangat penting untuk mendukung proses akademik yang berlangsung. Meskipun teknologi sudah di manfaatkan dengan baik namun ada beberapa proses yang masih dilakukan secara manual, mengingat kesesuaian hasil yang di peroleh masih dikatakan akurat namun hal ini membutuhkan ketelitian dan waktu yang lama. Salah satunya adalah menentukan jadwal perkuliahan.

Penentuan jadwal perkuliahan yang optimal dan menyesuaikan dengan matakuliah, waktu, ruangan serta dosen menjadi hal yang tidak mudah dalam menyusunnya. Dalam setiap semester genap maupun semester ganjil jadwal haruslah berbeda hal ini dikarenakan jumlah mahasiswa yang mengambil matakuliah adalah berbeda sehingga akan mempengaruhi ketersediaan rungan sesuai dengan kapasitas

dari rungan tersebut. Untuk menyelesaikan permasalahan penentuan jadwal perkuliahan penjadwalan dibutuhkan sebuah metode optimasi untuk menentukan jadwal yan paling optimal dengan menyesuaikan matakuliah, waktu, ruangan serta dosen pengajar.

Algoritma genetika merupakan salah satu metode optimasi yang menawarkan solusi dengan meniru mekanisme dari genetika alam yaitu menemukan susunan gen yang terbaik dalam tubuh makhluk hidup. Penentuan jadwal mata kuliah memiliki tingkat kesulitan yang tinggi. Hal tersebut disebabkan karena terbatasnya jumlah ruangan, mata kuliah yang ditawarkan banyak, jumlah dosen pengajar terbatas, sehingga tidak terjadi benturan jadwal, ruangan maupun dosen pengajar. Jika terjadi benturan perkuliahan maka akan berdampak pada mahasiswa karena mungkin saja dosen tidak bisa mengajar karena mengisi perkuliahan pada kelas lain di jam yang sama.

Hal ini juga berdampak negatif untuk dosen karena target untuk perkuliahannya belum terpenuhi karena jadwal perkuliahan yang sering berbenturan dan pada akhirnya pihak pegawai yang mengatur jadwal disalahkan karena kurang teliti mengatur jadwal perkuliahan. Dari permasalahan tersebut diperlukan suatu solusi untuk mengatur jadwal perkuliahan dengan cepat dan tepat. Maka dalam penelitian ini dibuat perancangan PERANCANGAN SISTEM PENENTUAN JADWAL MATAKULIAH

MENGGUNAKAN ALGORITMA GENETIKA

I Wayan Supriana¹, I Gusti Ngurah Anom Cahyadi Putra² Jurusan Ilmu Komputer Universitas Udayana Bali

Kampus Bukit Jimbaran- Gedung BF Universitas Udayana Telpon : 0361-701805 Email:iwayansupriana@gmail.com¹,anom.cp@cs.unud.ac.id²

ISSN : 2302-450X

sistem untuk menentukan jadwal perkuliahan dengan algoritma genetika.

2. TINJAUANPUSTAKA

2.1 Algoritma Genetika

Algoritma genetika merupakan evaluasi atau perkembangan dunia komputer dalam bidang kecerdasan buatan (artificial intelligence). Kemunculan algoritma genetika ini terinspirasi oleh teori Darwin dan teori- teori dalam ilmu biologi, sehingga banyak istilah dan konsep biologi yang digunakan dalam algoritma genetika, karena sesuai dengan namanya, proses-proses yang terjadi dalam algoritma genetika sama dengan apa yang terjadi pada evaluasi biologi.

Sejak pertama kali dirintis oleh John Holland pada tahun 1960-an, algoritma genetika telah dipelajari, diteliti dan diaplikasikan secara luas pada berbagai bidang. Algoritma ini banyak digunakan pada masalah praktis yang berfokus pada pencarian parameter-parameter optimal.

2.2 Struktur Umum Algoritma Genetika Menurut [2] struktur umum algoritmagenetikadapat dilihat padagambar 1 dibawah ini

Gambar 1. Struktur Algoritma Genetika Dalam menyelesaikan suatu permasalahan, algoritma genetika diawali dengan menginisialisasikan himpunan solusi yang dibangkitkan secara acak (random).

Himpunan solusi ini disebut populasi (Population). Setiap individu pada populasi disebut kromosom (Chromosom), yang menggambarkan sebuah solusi dari suatu masalah yang akan diselesaikan. Sebuah kromosom dapat dinyatakan dalam simbol string, misalnya kumpulan string bit. Dalam ssebuah populasi, setiap kromosom akan dievaluasi dengan menggunakan alat ukur

yang disebut dengan fitness. Nilai fitness ini digunakan untuk mencari dua kromosom dari sebuah populasi yang akan dijadikan sebagai kromosom induk untuk melakukan regenerasi. Kromosom induk ini akan melakukan regenerasi melalui pindah silang (crossover) dan melakukan mutasi (mutation) yang akan menghasilkan kromosom baru (offspring). Crossover dilakukan dengan cara menggabungkan dua kromosom induk dengan menggunakan operator crossover.

Sedangkan mutasi hanya berlaku pada sebuah kromosom, dan kromosom ini akan mengalami suatu perubahan.

2.3 Istilah dalamAlgoritmaGenetika

Terdapat beberapa definisi penting dalam Algoritma Genetika yang perlu diperhatikan, yaitu :

 Genotype (Gen), sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam algoritma genetika, gen ini bisa berupa biner, float, interger maupun karakter, atau kombinatorial

 Allele, merupakan nilai dari gen

 Individu atau kromosom, gabungan gen-gen yang membentuk nilai tertentu dan merupakan salah satu solusi yang mungkin dari permasalahan yang diangkat

 Populasi, merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evalusi

 Generasi, menyatakan satu siklus proses evolusi atau satu iterasi di dalam algoritma genetika

2.4 KomponenAlgoritmaGenetika

Terdapat beberapa komponen dalam algoritma genetika [1]

 Skema Pengkodean. Teknik pengkodean adalah bagaimana mengkodekan gen dari kromosom, gen merupakan bagian dari kromosom. Satu gen akan mewakili satu variabel. Agar dapat diproses melalui algoritma genetik, maka alternatif solusi tersebut harus dikodekan terlebih dahulu kedalam bentuk kromosom. Masing- masing kromosom berisi sejumlah gen yang mengodekan informasi yang disimpan didalam individu atau kromosom.

 Membangkitkan Populasi Awal dan Kromosom. Membangkitkan populasi awal

ISSN : 2302-450X

adalah proses membangkitkan sejumlah individu atau kromosom secara acak atau melalui procedure tertentu. Ukuran untuk populasi tergantung pada masalah yang akan diselesaikan dan jenis operator genetika yang akan diimplementasikan.

Setelah ukuran populasi ditentukan, kemudian dilakukan pembangkitan populasi awal.

 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. Pada masalah optimasi, solusi yang akan dicari adalah memaksimumkan fungsi h sehingga nilai fitness yang digunakan adalah nilai dari fungsi h tersebut, yakni f = h. Tetapi jika masalahnya adalah meminimalkan fungsi h, maka fungsi h tidak bisa digunakan secara langsung. Hal ini disebabkan adanya aturan bahwa individu yang memiliki nilai fitness tinggi lebih mampu bertahan hidup pada generasi berikutnya. Oleh karena itu nilai fitness yang bisa digunakan adalah f = 1/h, yang artinya semakin kecil nilai h, semakin besar nilai f. Tetapi hal ini akan menjadi masalah jika h bisa bernilai 0, yang mengakibatkan f bisa bernilai tak hingga.

 Seleksi. Pembentukan susunan kromosom pada suatu populasi baru biasanya.

dilakukan secara proporsional sesuai dengan nilai fitnessnya.Suatu metode seleksi yang umumnya digunakan adalah roulette-wheel. Metode seleksi dengan mesin roulette ini merupakan metode yang paling sederhana dan sering dikenal dengan nama stochastic sampling with replacement

 Pindah Silang (Crossover). Salah satu komponen yang paling penting dalam algoritma genetika adalah pindah silang atau crossover. Sebuah kromosom yang mengarah pada solusi yang baik dapat diperoleh dari proses memindah-silangkan dua buah kromosom. Pindah silang juga dapat berakibat buruk jika ukuran populasinya sangat kecil.

 Mutasi. Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam suatu kromosom. Mutasi ini berperan untuk menggantikan gen yang hilang dari populasi akibat seleksi yang

memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi.

 Elitisme. Karena seleksi dilakukan secara acak (random), maka tidak ada jaminan bahwa suatu individu bernilai fitness tertinggi akan selalu terpilih. Kalaupun individu bernilai fitness tertinggi terpilih, mungkin saja individu tersebut akan rusak (nilai fitnessnya menurun) karena proses pindah silang. Untuk menjaga agar individu bernilai fitness tertinggi tersebut tidak hilang selama evolusi, maka perlu dibuat satu atau beberapa salinannya.

Prosedur ini dikenal sebagai Elitisme 2.5 Penjadwalan

Penjadwalan adalah penempatan sumber daya (resource) dalam satu waktu.

Penjadwalan mata kuliah dan ujian akhir semester merupakan persoalan penjadwalan umum dan sulit yang tujuannya adalah menjadwalkan pertemuan dari sumber daya.

Sumber daya yang dimaksud adalah dosen pengasuh mata kuliah, mata kuliah, ruang kuliah, kelas mahasiswa, dan waktu perkuliahan [1].

3. ANALISISDAN PERANCANGAN SISTEM

Pendekatan metode yang digunakan dalam perancangan sistem penjadwalan matakuliah adalah pendekatan Sistem Development Life Cycle (SDLC) [1].

3.1 Identifikasi Kebutuhan Informasi Proses penjadwalan yang dilakukan masih dilakukan secara manual dengan menentukan ruangan, jumlah mahasiswa dan waktu pelaksanaan perkuliahan pada semester tersebut. Terdapat batasan/persyaratan/

constraint dalam penyusunan penjadwalan mata kuliah. Constraint sendiri merupakan suatu syarat tidak boleh terjadi pelanggaran terhadap kendala yang ditetapkan agar dapat menghasilkan susunan penjadwalan yang baik.

Beberapa constraint tersebut, yaitu :

 Dosen tidak boleh dijadwalkan lebih dari satu kali pada waktu yang bersamaan

 ruang tidak boleh dijadwalkan lebih dari satu kali pada waktu yang bersamaan.

Jika terjadi pelanggaran terhadap kendala yang ditetapkan maka akan diberikan suatu nilai pinalti atau hukuman antara 0 sampai 1 untuk setiap pelanggaran. Semakin kecil

ISSN : 2302-450X

jumlah pelanggaran yang terjadi solusi penjadwalan yang dihasilkan akan semakin baik.

3.2 Alur Algoritma Genetika

Rancangan algoritma genetika pada penelitian ini diperlihatkan pada gambar 2 dibawah ini.

Gambar 2. Penjadwalan Algoritma Genetika

3.3 Penjadwalan Algoritma Genetika

 Teknik Pengkodean

Teknik pengkodean adalah bagaimana mengkodekan gen dari kromosom. Masing- masing kromosom berisi sejumlah gen yang mengkodekan informasi yang disimpan di dalam kromosom. Pada penelitian ini menggunakan teknik pengkodean dalam bentuk string bit / varchar yang dipergunakan dalam pemrograman genetika.

 Menentukan populasiawal

danInisialisasi kromosom

Menentukan populasi awal adalah proses membangkitkan sejumlah kromosom secara acak (random). Kromosom menyatakan salah satu alternatif solusi yang mungkin.

Kromosom dapat dikatakan sama dengan individu. Ukuran populasi tergantung pada masalah yang akan diselesaikan. Setelah ukuran populasi ditentukan, kemudian dilakukan pembangkitan populasi awal dengan cara melakukan inisialisasi solusi yang mungkin ke dalam sejumlah kromosom.

Panjang satu kromosom ditentukan berdasarkan permasalahan yang diteliti.

Gambar 3 dibawah ini adalah alur menentukan populasi awal dan inisialisasi kromosom.

Gambar 3. Inisialisasi Kromosom Pada penelitian tentang penjadwalan ini solusi yang akan dihasilkan adalah menentukan waktu dan ruang untuk perkuliahan. Panjang satu kromosom adalah gabungan gen berdasarkan jumlah dari seluruh mata kuliah yang ditawarkan pada semester aktif. Satu gen berisi informasi waktu dan ruang untuk satu mata kuliah.

Sebagai contoh untuk inisialisasi pembentukan kromosom, misalkan ada sebaran matakuliah pada Tabel 1, sebaran waktu pada T abel 2 dan sebaran ruang yang tersedia pada Tabel 3.

Tabel 1. Sebaran Matakuliah

Tabel 2. Waktu Ujian

Tabel 3. Ruangan Ujian

Diasumsikan dalam satu populasi yang terbentuk berjumlah 4 kromosom sesuai dengan jumlah matakuliah dan kelas yang ada serta masing-masing kromosom memiliki 3 gen

ISSN : 2302-450X

Urutan kode pada setiap gen mewakili kode mata kuliah, kode ruang dan index waktu.

Penempatan urutan kode pada setiap gen dilakukan secara acak (random) berdasarkan suatu bilangan yang dibangkitkan secara acak pula. Pada contoh bilangan tersebut merupakan jumlah dari seluruh mata kuliah dan ruangan yang ditawarkan.

 Fungsifitness

Fungsi yang digunakan untuk mengukur nilai kecocokan atau derajat optimalitas suatu kromosom disebut dengan fitness function.

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 perkuliahan 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.

Keterangan :

Beberapa batasan yang digunakan dalam penyusunan penjadwalan ini adalah : (1) Dosen tidak boleh dijadwalkan lebih dari satu kali pada waktu yang bersamaan, (2) Satu kelas dan ruang tidak boleh dijadwalkan lebih dari satu kali pada waktu yang bersamaan, (3) Dosen tidak boleh dijadwalkan pada waktu yang telah ditentukan oleh dosen yang bersangkutan.

Contoh proses perhitungan nilai fitness.

 Seleksi

Pembentukan susunan kromosom pada suatu populasi baru dilakukan dengan

menggunakan metode seleksi roulette-wheel.

Sesuai dengan namanya, metode ini menirukan permainan roulette-wheel di mana masing-masing kromosom menempati potongan lingkaran pada roulette-wheel secara proporsional sesuai dengan nilai fitnessnya.

Kromosom yang memiliki nilai fitness lebih besar menempati potongan lingkaran yang lebih besar dibandingkan dengan kromosom bernilai fitness rendah.

Sehingga dengan contoh kasus diatas maka total nilai fitness seluruh kromosom Tabel 4. Total Nilai fitness

Langkah berikutnya menghitung probabilitas setiap kromosom dengan cara membagi nilai fitness tiap kromosom dengan total nilai fitness. Sehingga didapatkan hasil dibawah ini.

Tabel 5. Probabilitas Tiap Kromosom

Langkah ketiga adalah menempatkan masing- masing kromosom padainterval nilai [0-1].

Tabel 6. Interval Tiap Kromosom

Langkah selanjutnya adalah menentukan susunan populasi baru hasil seleksi maka dibangkitkan bilangan acak (random) antara [0 -1]. Dimisalkan bilangan yang dibangkitkan adalah [ 0,75 ; 0,25 ; 0,9 dan 0,5 ] maka susunan kromosom populasi baru hasil seleksi adalah :

ISSN : 2302-450X

Gambar 4. Flowchat Seleksi

 Pindah Silang (CrossOver)

Pindah silang (CrossOver) digunakan sebagai metode pemotongan kromosom secara acak (random) dan merupakan penggabungan bagian pertama dari kromosom induk 1 dengan bagian kedua dari kromoson induk 2.

Pindah silang bisa dilakukan hanya jika suatu bilangan acak (random) yang dibangkitkan untuk kromosom kurang dari probabilitas pindah silang (Pc) yang ditentukan. Menurut [3] 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 2 dan 4 kurang dari Pc yang ditetapkan serta bilangan acak (random) untuk posisi titik potong adalah pada posisi gen ke 2, maka proses pindah silangnya adalah

Hasil pindah silang kromosom tersebut adalah

 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. Pmut umumnya diset antara [0 – 1], misalnya 0,1 [4].

Untuk mendapatkan posisi gen yang akan dimutasi maka perlu dihitung jumlah total gen dalam satu populasi yaitu Total gen = Jumlah gen dalam satu kromosom x Jumlah kromosom yang ada. Berdasarkan contoh yang ada maka total gen adalah = 4 x 4 = 16.

Probabilitas mutasi ditetapkan 0,1 maka diharapkan mutasi yang terjadi adalah : 0,1 x 16 = 1,6 = 2 gen yang akan mengalami mutasi.

Selanjutnya dilakukan iterasi sebanyak jumlah total gen [0-16] dan membangkitkan bilangan acak untuk tiap iterasi antara [0-1].

Diasumsikan gen yang mendapatkan bilangan dibawah probabilitas mutasi adalah gen 2 dan 3. Informasi dalam gen yang akan dirubah adalah waktu perkuliahan, maka hasil mutasi pada kromosom tersebut adalah :

 Elitisme

Proses ini adalah untuk membuat salinan (copy) individu bernilai fitness tertinggi agar tidak hilangselama proses evolusi.

 Kondisi Selesai

Kondisi selesai yang dapat menghentikan proses algoritma genetika ini adalah jika

ISSN : 2302-450X

jumlah generasi atau iterasi maksimum telah tercapai.

3.4 Pemodelan Data

Pemodelan data memperlihatkan hubungan antara entitas yang terlibat dalam sistem.

Tabel 6. Tabel Matakuliah

Tabel 7. Tabel Ruangan

Tabel 8. Tabel Dosen

Tabel 9. Tabel Waktu

Tabel 10. Tabel Pinalti

3.5 User Interface

Pada aplikasi penjadwalan ini terdapat satu form utama yang terdiri dari file dan menu tentang. Menu file memiliki 2 sub menu yaitu sub menu data dan sub menu proses algoritma genetika sedangkan menu tentang berisi sub menu tentang developer dan sub menu tentang aplikasi. Semua menu dan sub menu disediakan untuk memudahkan proses pembentukan jadwal sesuai dengan sumber daya yang tersedia mulai dari matakuliah, waktu, ruangan serta dosen.

Gambar 5. Rancangan Menu Form

4. KESIMPULAN

Berdasarkan penelitian yang sudah dilakukan dari perancangan sistem yang dibangun maka dapat diambil kesimpulan sebagai berikut:

 Rancangan sistem penentuan jadwal matakuliah dengan menggunakan metode algoritma genetika dapat dilakukan perancangannya.

 Pada perhitungan dengan algoritma genetika jadwal dapat di optimalkan sesuai dengan ketersediaan ruangan dan dosen pengampu.

5. DAFTARPUSTAKA

[1] Brezulianu, A., Fira, L. (2012). A Genetic Algorithm Approach for Scheduling of resources in Well-Service Companies.

Advance Research in Artificial Intelligence [2] Fang, Hsiao-Lan, 1994. Genetic

Algorithm in Timetabling and Scheduling, Ph.D. Dissertation, Department of Artificial Intelligence, University of Edinburg.

[3] Gen, M., & Cheng. (1997). Genetic Algorithms and Engineering Design.

Canada: John Wiley and Sons, Inc.

[4] Saputro, N., 2003. Pengenalan Huruf dengan Memakai Algoritma Genetika, Jurnal Integral, Volume 8, no 2.