ABSTRAK
Penjadwalan kelas atau yang disebut timetabling merupakan suatu permasalahan yang sering dihadapi oleh setiap perguruan tinggi. Setiap perguruan tinggi memiliki kebijakan tersendiri dalam penyusunan jadwal kelas, dan mungkin masing-masing perguruan tinggi mempertimbangkan kendala-kendala yang berbeda. Di perguruan tinggi Universitas Telkom Bandung, terdapat puluhan jurusan dan kelas yang memiliki masing-masing matakuliah berbeda yang harus dijadwalkan. Hal tersebut merupakan permasalahan yang serius dan menyebabkan sulitnya menemukan jadwal yang optimal dan efisien. Selama ini penjadwalan kuliah masih dilakukan secara manual sehingga membutuhkan waktu yang cukup lama. Pada penelitian ini membahas tentang implementasi metode hibridisasi algoritma genetika adaptif dengan algoritma koloni lebah buatan untuk menyelesaikan permasalahan penjadwalan kelas di perguruan tinggi Universitas Telkom Bandung. Algoritma genetika adaptif merupakan algoritma heuristik yang memiliki sifat mencari kemungkinan-kemungkinan kandidat solusi untuk mendapatkan solusi yang optimal untuk menyelesaikan permasalahan penjadwalan kelas. Data yang digunakan dalam penelitian ini adalah data mahasiswa dan matakuliah pada semester satu serta data dosen yang mengajar terkait matakuliah semester satu Fakultas Teknik di perguruan tinggi Universitas Telkom Bandung.
Hipotesis pada penelitian yang akan dilakukan menggunakan data nyata, akan diperoleh hasil yang menunjukan bahwa hibridisasi algoritma genetika adaptif dengan algoritma koloni lebah dapat diimplementasikan kedalam permasalahan penjadwalan kelas di perguruan tinggi Universitas Telkom Bandung dan mampu memperoleh hasil solusi yang lebih optimal dan efisien dalam meminimalkan jumlah bentrokan jadwal matakuliah dibandingkan hanya menggunakan algoritma genetika biasa.
Kata kunci: algoritma genetika adaptif, algoritma koloni lebah buatan, penjadwalan kelas, timetabling, hibridisasi
BAB
1
PENDAHULUAN
1.1.
Latar Belakang
Penjadwalan merupakan suatu cara untuk mengalokasikan sebuah rangkaian kegiatan atau schedule agar dapat berjalan dengan baik dengan waktu yang efisien dan optimal. Penjadwalan masih menjadi sebuah permasalahan serius yang dihadapi oleh universitas pada saat merencanakan pembagian kelas, waktu, maupun matakuliah yang akan berlangsung dengan memperhatikan batasan dan syarat tertentu. Permasalahan pada penjadwalan terletak pada lebih banyaknya mata kuliah dibandingkan jumlah ruangan yang tersedia, kesesuaian kapasitas ruangan dengan jumlah mahasiswa serta harus menyesuaikan jadwal yang dapat dihadiri oleh dosen pada hari dan jam tertentu. Penjadwalan perkuliahan diharapkan dapat merata tiap harinya untuk setiap kelas. Penjadwalan matakuliah akan semakin sulit jika melibatkan semakin banyak kelas perangkatannya serta banyaknya mahasiswa semester atas yang mengambil kembali matakuliah pada semester satu. Batasan atau syarat yang diberlakukan pada saat penjadwalan disebut kendala atau juga disebut constrain. Pada penelitian ini constrain yang di berlakukan pada permasalahan yang diangkat yaitu; tidak ada kelas yang memilki jadwal matakuliah berurutan lebih dari tiga matakuliah, tidak ada dosen yang mengajar berurutan lebih dari dua matakuliah, tidak ada kelas yang memilki lebih dari satu matakuliah yang berlangsung pada jam yang bersamaan dan Menyesuaikan jadwal matakuliah dengan hari dan jam yang dapat dihadiri oleh dosen.
Terdapat beberapa metode yang dapat diimplementasikan pada saat proses penjadwalan, misalkan metode sequential coloring graph [1], akan tetapi tidak cukup efektif karena metode tersebut merupakan metode pencarian heuristic yang secara perbandingan dengan penelitian belakangan ini, teknik tersebut masih kurang baik. Dalam dua dekade kebelakang terdapat pengembangan dari metode heuristic yang lebih canggih, yaitu metode pencarian meta-heuristic. Metode meta-heuristic dapat dibagi menjadi dua tipe yaitu dengan pendekatan satu solusi dan pendekatan populasi. Contoh dari pendekatan satu solusi berdasarkan meta-heuristic yakni, simulated annealing [2], tabu search [3], variable neighborhood
search [4], large neighborhood search [5], local search [6], dan the great deluge algorithm [5]. Pada pendekatan populasi yakni, genetic algorithm, ant colony algorithm, honey bee mating algorithm, harmony search, dan artificial bee colony algorithm [7].
Pada beberapa tahun kebelakang, pendekatan meta-heuristic hybrid terbukti lebih efektif dalam menyelesaikan permasalahan penjadwalan di perguruan tinggi. Pada penelitian ini, penulis akan melakukan hibridisasi dua metode yaitu algoritma genetika adaptif dan algoritma koloni lebah buatan
Tujuan penilitian ini diharapkan dapat memberikan solusi terbaik dan optimal dalam meminimalkan jumlah bentrokan jadwal matakuliah pada saat penjadwalan matakuliah semester satu Fakultas Teknik di Universitas Telkom.
1.2. Perumusan Masalah
Rumusan masalah dalam penelitian ini diantaranya sebagai berikut: 1. Bagaimana mengimplementasikan hibridisasi algoritma genetika
adaptif dengan algoritma koloni lebah buatan dalam penjadwalan perkuliahan?
2. Bagaimana perbandingan performansi antara algoritma genetika dengan hibridisasi algoritma genetika adaptif dan algoritma koloni lebah buatan dalam kasus penjadwalan perkuliahan?
Agar penelitian ini sesuai dengan tujuan penulis sehingga tidak menyimpang dan meluas dari pembahasan, maka diperlukan suatu pembatasan masalah. Batasan masalah pada penilitian ini diantaranya sebagai berikut:
1. Data yang digunakan untuk pengujian model adalah data mahasiswa dan matakuliah pada semester satu beserta data dosen yang mengajar sesuai matakuliah pada semester satu.
2. Data yang digunakan hanya data angkatan 2014/2015 Fakultas Teknik Universitas Telkom.
1.3.
Tujuan
Tujuan dari penilitian ini diantaranya sebagai berikut:
1. Mengetahui hasil dari implementasi hibridisasi algoritma genetika adaptif dan algoritma koloni lebah buatan dalam penjadwalan perkuliahan. 2. Mengetahui perbandingan tingkat performansi antara algoritma genetika
dengan hibridisasi algoritma genetika adaptif dan algoritma koloni lebah buatan dalam kasus penjadwalan perkuliahan
1.4. Metodologi Penyelesaian Masalah
Untuk menyelesaikan tugas akhir ini digunakan beberapa metodologi, diantaranya sebagai berikut:
1.4.1. Studi Literatur
Mempelajari dan memahami konsep dasar algoritma genetika adaptif dan algoritma koloni lebah buatan melalui referensi, jurnal, artikel, dan sumber-sumber lainnya yang terkait dengan optimasi penjadwalan dengan menggunakan metode pendekatan hibridisasi algoritma genetika dan algoritma koloni lebah buatan.
1.4.2. Pengumpulan Data
Data mahasiswa pada semester satu dan data dosen yang mengajar sesuai matakuliah semester satu Fakultas Teknik di Universitas Telkom tahun angkatan 2014/2015 diperoleh dari Program Perkuliahan Dasar dan Umum(PPDU).
1.4.3. Analisis dan Perancangan Sistem
Data yang telah diperoleh selanjutnya dianalisis untuk mengetahui kendala pada data tersebut. Kemudian menyesuaikan kendala yang ada pada data tersebut, pada saat diimplementasikan kedalam hibdirsasi algoritma genetika adaptif dan algoritma koloni lebah buatan dengan memperhatikan solusi-solusi yang dihasilkan agar mendapatkan solusi yang optimal dalam meminimalkan jumlah bentrokan jadwal matakuliah pada penjadwalan perkuliahan
1.4.4. Implementasi Sistem
Rancangan sistem yang telah dibuat kemudian dilakukan pengujian menggunakan data nyata yang telah diperoleh.
1.4.5. Analisis Hasil Implementasi
Pada bagian ini dilakukan analisis terhadap hasil dari implementasi hibridisasi algoritma genetika adaptif dan algoritma koloni lebah buatan untuk menentukan mampu atau tidaknya dalam memecahkan kasus permasalahan penjadwalah perkuliahan, lalu membandingkan hasil solusi tersebut dengan solusi yang dihasilkan dengan menggunakan algoritma genetika biasa.
1.4.6. Pembuatan laporan
Berdasarkan Implentasi sistem dan analisis yang telah diperoleh, akan dibuat hasil laporan tugas akhir.
1.5. Hipotesis
Hipotesis dalam penelitian ini adalah hasil dari hibridisasi algoritma genetika adaptif dan algoritma koloni lebah buatan mampu diimplementasikan kedalam permasalahan penjadwalan perkuiahan dan dapat menghasilkan solusi yang optimal dalam meminimalkan jumlah bentrokan jadwal matakuliah dibandingkan hanya menggunakan algoritma genetika biasa.
1.6. Jadwal Kegiatan
No Kegiatan Bulan ke-1 Bulan ke-2 Bulan ke-3 Bulan ke-4 Bulan ke-5 Bulan ke-6 1 Studi Literatur 2 Pengumpulan Data 3 Perancangan Sistem 4 Implementasi Sistem 5 Analisis Hasil Implementasi Sistem 6 Penyusunan Laporan
BAB 2
TINJAUAN PUSTAKA
2.1. Penjadwalan (Time Tabling)
Penjadwalan adalah sebuah mekanisme untuk mengalokasikan sebuah rangkaian kegiatan atau schedule agar dapat berjalan dengan baik dengan waktu yang efisien dan optimal. Pada saat penjadwalan, permasalahan yang dihadapi adalah menentukan constrain dari kendala-kendala yang ada. Terdapat dua constrain yang harus diperhatikan pada penjadwalan yaitu soft
constrain dan hard constrain. Hard constrain adalah kendala-kendala yang
tidak boleh dilanggar, sedangkan soft constrain adalah kendala-kendala yang diperbolehkan. Permasalahan pada penjadwalan diharuskan melakukan pemeriksaan telebih dahulu untuk setiap kendala-kendala yang muncul bertujuan meminimumkan pelanggaran pada soft constrain (Carter dan Laporte, 1996). Penjadwalan akan dianggap layak atau sesuai jika tidak ada
hard constrain yang dilanggar[8].
Hard constraints merupakan batas-batas yang harus diterapkan pada
penjadwalan mata kuliah dan harus dipenuhi. Solusi yang tidak melanggar
hard constraints disebutsolusi layak. Hard constraints yang umum dalam
penjadwalan mata kuliah adalah sebagai berikut:
1. Seorang dosen hanya dapat memberikan kuliah untuk satu lokasi pada waktu tertentu.
2. Seorang mahasiswa hanya dapat mengikuti untuk satu lokasi pada waktu tertentu.
3. Sebuah lokasi (ruangan) hanya dapat digunakan untuk satu mata kuliah pada waktu tertentu.
4. Mahasiswa tidak dapat dialokasikan pada suatu lokasi yang menyebabkan lokasi melebihi kapasitas maksimum.
Soft constraints didefinisikan sebagai batas-batas mengenai alokasi
sumber daya yang jika dilanggar masih dapat menghasilkan solusi yang
layak tetapi sedapat mungkin untuk dipenuhi. Dalam kenyataannya, masalah penjadwalan mata kuliah biasanya tidak mungkin untuk memenuhi semua soft constraints. Kualitas jadwal yang layak dapat dinilai berdasarkan
seberapa baik soft constraints dapat dipenuhi. Namun, beberapa masalah yang kompleks sulit menemukan solusi yang layak. Sebagai contoh, soft
constraints yang mungkin ingin dicapai dalam jadwal sehubungan dengan
aspek mata kuliah adalah meminimalkan terjadinya jadwal mata kuliah yang beturut-turut.
Beberapa univeristas dengan jumlah mata kuliah yang akan
dijadwalkan dan berbagai constraints yang harus dipertimbangkan membuat penyusunan jadwal mata kuliah menjadi sangat sulit (Petrovic dan Burke, 2004).
2.2. Algoritma genetika
Algoritma genetika adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan proses evolusi [9]. Algoritma genetika tidak banyak memerlukan konsep matematika, dan dapat memperlakukan semua bentuk fungsi tujuan dan kendala (Gen dan cheng:2000). Algoritma ini berdasarkan pada proses genetik yang ada dalam makhluk hidup; yaitu perkembangan generasi dalam sebuah populasi yang alami, secara lambat laun mengikuti prinsip seleksi alam atau “siapa yang kuat, dia yang bertahan (survive)”. Dengan meniru teori evolusi ini, algoritma genetika dapat digunakan untuk mencari solusi permasalahan-pemasalahan dalam dunia nyata[10].
2.2.1. Struktur Umum Algoritma genetika
Algoritma genetika memilki struktur umum, antara lain: 1. Populasi, istilah pada teknik pencarian yang dilakukan
sekaligus atas sejumlah kemungkinan solusi.
2. Kromosom, individu yang terdapat dalam satu populasi dan merupakan suatu solusi yang masih berbentuk symbol.
3. Generasi, populasi wala dibangun secara acak sedangkan populasi selanjutnya merupakan hasil evolusi kromosom-kromosom melaluin iterasi.
4. Fungsi Fitness, alat ukur yang digunakan untuk proses evaluasi dari suatu kromosom. Nilai fitness suatu kromosom akan menunjukan kualitas dalam populasi tersebut.
5. Anak (offspring), gabungan dari dua kromosom generasi sekarang yang bertindak sebagai induk (parent) dengan menggunakan operator penyilang (crossover).
6. Mutasi, operator untuk memodifikasi kromosom. 2.2.2. Fungsi Fitness
Fungsi fitness adalah fungsi yang akan mengukur tingkat kualitas suatu kromosom dalam populasi. Semakin besar nilai fitness, semakin bugar pula kromosom dalam populasi sehingga semakin besar kemungkinan kromosom tersebut dapat tetap bertahan pada generasi berikutnya. Individu-individu dalam populasi telah terbentuk, maka langkah selanjutnya adalah menghitung nilai fitness setiap individu. Penghitungan dilakukan dengan memberikan pinalti untuk setiap aturan yang digunakan dalam penjadwalan [11]. Semakin wajib aturan dilaksanakan, maka akan semakin besar nilai pinalti yang diberikan. Berikut aturan perhitungan fungsi fitness:
Fitness =
dimana : (2.1)
sehingga : Fitness =
(2.2)
Keterangan :
Bp : Bobot pelanggaran Np : Indikator pelanggaran
2.2.3. Pindah silang (Cross over)
Pada proses pindah silang terjadi kombinasi pewarisan gen-gen dari induknya, gen-gen-gen-gen dari kedua induk dapat bercampur sehingga dihasilkan susunan kromosom yang baru. Dari proses tersebut akan dihasilkan variasi genetik [12].
Dengan suatu skema tertentu, dua individu dipilih sebagai orang tua. Setelah didapatkan dua individu orang tua, selanjutnya ditentukan titik pindah silang secara acak, jika diasumsikan L adalah panjang kromosom, maka titik pindah silang berada antara 1 sampai
L-1. Kemudian beberapa bagian dari dua kromosom ditukar pada
titik pindah silang yang dipilih. Titik pindah silang adalah titik terjadinya pertukaran gen antar dua individu orang tua. Pertukaran tersebut akan menghasilkan dua individu anak. Bagaimanapun, operasi pindah silang tidak selamanya berhasil. Peluang keberhasilan operasi pindah silang dinyatakan dengan probabilitas pindah silang atau Pc. Terdapat tiga skema pindah silang yang biasa digunakan, yaitu:
1. Pindah silang 1 point cross-over 2. Pindah silang N-point cross-over 3. Pindah silang uniform cross-over Contoh rekombinasi 1 point cross-over :
1 0 0 1 0 0 0 1 0 1
Gambar 1. Contoh cross over. 2.2.4. Mutasi
Tujuan permutasi yaitu untuk mengubah salah satu atau lebih bagian dari kromosom. Mutasi terjadi secara acak pada setiap gen dan bersifat bebas pada setiap gen. Mutasi yang terjadi pada satu gen tidak mempengaruhi terjadinya mutasi pada gen lain. Mutasi dapat dilakukan dengan cara mengubah nilai gen pada suatu kromosom , atau dengan menukar satu gen pada sebuah kromosom dengan gen yang terdapat pada kromosom lain (posisi gen yang ditukar harus sama). Contoh :
1 0 0 1 0
Gambar 2. Contoh mutasi.
1 0 1 0 1 0 0 0 1 0 1 0 1 1 0 K1 K2 A1 A2 K1 A1
2.2.5. Seleksi Survivor
Seleksi survivor dilakukan untuk memilih kromosom mana yang layak untuk dipertahankan, dan kromosom mana yang akan digantikan oleh generasi baru (anak). Seleksi survivor ada 2 macam yaitu steady state dan general replace :
1. Steady State : mengganti 2 buah kromosom yang memiliki nilai
fitness terkecil dengan kromosom generasi baru.
2. General Replace : Mengganti seluruh kromosom lama dengan kromosom baru
2.3. Algoritma Koloni Lebah Buatan (Artificial Bee Colony
Algorithm)
ABC diklasifikasikan menggunakan pendekatan seperti kawanan lebah. Secara umum, terdapat tiga tipe lebah yang bekerja sama dalam mencari makanan yakni, lebah pekerja, lebah pemeriksa dan lebah pencari. Lebah pemeriksa dan lebah pencari dapat dianggap lebah yang tidak banyak bekerja. Lebah pekerja mencari sumber makanan berdasarkan ingatan mereka dan kumpulan informasi sumber makanan yang diberikan oleh lebah pemeriksa pada saat kembali ke sarang. Lebah pemeriksa cenderung memilih sumber makanan yang bagus berdasarkan informasi yang diberikan oleh lebah pekerja dengan cara “tarian sayap” dan juga menjelajah mencari sumber makanan baru disekitar sumber makanan yang telah dipilih, sedangkan lebah pencari cenderung meninggalkan sumber makanan lama dan mencari sumber makanan baru.
Algoritma ABC merupakan pendekatan dimana agen berkomunikasi dan bekerjasama dangan satu sama lain dalam menjelajah mencari sumber makanan (kemungkinan solusi untuk masalah optimasi) dengan menilai kualitas nectar (biaya atau fitness untuk masalah optimasi)[13].
Di alam, lebah pemeriksa cenderung memilih sumber makanan yang diinformasikan oleh lebah pekerja dengan jumlah nektar yang lebih tinggi. Untuk meniru fenomena ini, skema yang digunakan pada lebah pemeriksa adalah bertugas menilai kualitas solusi yang memilki probabilitas yang lebih tinggi.
=
(2.3)
Pada persamaan (2.3), dan adalah nilai probabilitas dan nilai
fitness yang diasosiasikan dengan sumber makanan i. Serupa dengan fase
lebah pekerja, fase lebah pemeriksa menghasilkan modifikasi sumber makanan yang dipilih dan ingatan sumber baru berdasarkan skema seleksi
greedy. Proses ini diulang sampai semua lebah pemeriksa menyelesaikan
proses pencarian. Berikut langkah dasar utama dari algoritma koloni lebah buatan, diantaranya:
2.3.1. Fase inisialisasi parameter dan populasi
Parameter dari algoritma koloni lebah buatan adalah jumlah sumber makanan (SN), jumlah dari sumber makanan yang diuji adalah menjadi batasan (limit) dan kriteria berhenti. Jumlah dari sumber makanan harus sama dengan jumlah lebah pekerja atau lebah pemeriksa. Inisialisasi populasi diisi dengan SN jumlah dari sumber makanan yang dihasilkan secara acak, n-dimensi nilai riil vektor.
Berikan ={ , , …, } mewakili i sumber makanan
dalam populasi. Sumber makanan dihasilkan sebagai berikut: = + ( - ) x r
= 1,2,…, n dan i =1, 2,…, SN (2.4) Dimana r adalah uniform nilai acak dari range [0,1]; dan adalah lower bond dan upper bond untuk dimensi j.
2.3.2. Fase lebah pekerja
Dalam fase ini, setiap lebah pekerja mencari sumber makanan baru yang berada di sekitar sumber makanan sebelumnya atau solusi terbaik, sebagai berikut:
= + ( - ) x r’ (2.5)
Dimana k ϵ {1, 2,…, SN} ˄ k ≠ i dan j ϵ {1 ,2,…, n} secara acak dipilih dari indeks. r’ adalah nilai tetap distribusi nomor riil [-1,1]. akan dibandingkan dengan , jika fitness dari adalah sama atau lebih baik dari , akan menggantikan sebagai sumber makanan baru.
2.3.3. Fase lebah pemeriksa
Lebah pemeriksa mengevaluasi semua lebah pekerja dan memilih sumber makanan bergantung pada nilai probabilitas yang dihitung menggunakan persamaan (2.3).
Lebah pemeriksa akan mengeksekusi dan memperbarui menggunakan persamaan (2.5), jika sumber makanan baru adalah sama atau lebih baik dari nilai , sumber makanan baru akan menggantikan sebagai individu baru dalam populasi.
2.3.4. Fase lebah pencari
Jika sumber tidak bisa digantikan lewat perkiraan jumlah dari batasan (limit), sumber makanan akan di tinggalkan dan lebah pekerja akan menjadi lebah pencari. Pencarian akan menghasilkan sumber makanan baru secara acak menggunakan persamaan (2.4) dan persamaan (2.3 ) – (2.5) diulang sampai perhentian terakhir.
BAB 3
PERANCANGAN SISTEM
3.1. Deskripsi Sistem
Pada tugas akhir ini, akan dilakukan perancangan sistem yang akan digunakan untuk memecahkan permasalahan penjadwalan (timetabling) perkuliahan dengan menggunakan pendekatan hibridisasi algoritma genetika adaptif dengan algoritma koloni lebah buatan. Tujuan akhir dari sistem ini adalah mendapatkan solusi yang optimal dalam meminimalkan jumlah bentrokan jadwal makuliah pada penjadwalan perkuliahan dengan data acuan yang digunakan yaitu data mahasiswa, dosen, ruangan, matakuliah dan slot waktu pada semester satu angkatan 2014/2015 Fakultas Teknik di Universitas Telkom Bandung.
3.2. Perancangan Sistem
Sistem yang akan dirancang pada tugas akhir ini akan terbagi menjadi beberapa bagian. Bagian pertama memilah atau mensegmen atribut yang akan diimplementasikan ke dalam algoritma genetika adaptif dan algoritma koloni lebah buatan. Atribut yang digunakan pada penjadwalan matakuliah terdiri dari; kelas mahasiswa, dosen pengajar, slot waktu, ruangan dan matakuliah. Pada penelitian ini, untuk atribut kelas mahasiswa, dosen pengajar, ruangan dan mata kuliah akan diimplementasikan menggunakan algoritma koloni lebah buatan untuk mendapatkan solusi-solusi yang optimal. Kemudian, hasil solusi-solusi yang telah didapatkan diolah kembali bersamaan dengan atribut slot waktu dengan menggunakan algoritma genetika adaptif. Berikut adalah alur kerja dari sistem (flowchart system) yang akan dirancang:
3.3. Data Acuan
Data yang digunakan adalah data yang diperoleh dari PPDU, yaitu data jadwal matakuliah semester satu angkatan 2014/2015 Fakultas Teknik di Unversitas Telkom. Data tersebut terdiri dari beberapa atribut, yaitu; hari, slot waktu, ruangan, kode matakuliah, matakuliah, kelas mahasiswa dan kode dosen. Berikut sample data yang akan digunakan:
Hari Shift Ruangan
Kode Mata Kuliah
Nama Mata
Kuliah Kelas Dosen
SENIN
10:30 -
12:30 KU3.05.14 MUG1E3
ALJABAR
LINEAR IF-38-01 ADW KAMIS
08:30 -
10:30 KU3.05.05 MUG1E3
ALJABAR
LINEAR IF-38-01 ADW KAMIS 10:30 - 12:30 KU3.05.21 MUG2B3 LOGIKA MATEMATIKA IF-38-01 SSD SELASA 10:30 - 12:30 KU3.05.13 MUG2B3 LOGIKA MATEMATIKA IF-38-01 SSD
Tabel 2. Data sample penjadwalan perkuliahan.
3.4. Skenario Pengujian
Data yang sudah diperoleh kemudian dilakukan preprocessing untuk menghasilkan dua dataset yaitu dataset pertama berisikan atribut kelas mahasiswa, dosen, ruangan dan matakuliah. Sedangkan pada dataset kedua berisikan atribut slot waktu. Kemudian pada dataset pertama diuji menggunakan algoritma koloni lebah buatan sehingga menghasilkan solusi optimal. Lalu pada dataset kedua dikombinasikan dengan solusi-solusi yang telah diperoleh dari hasil dataset pertama dan implementasikan menggunakan algoritma genetika adaptif untuk mendapatkan solusi-solusi yang optimal untuk dijadikan jadwal perkuliahan.
DAFTAR PUSTAKA
[1] Carter, M. W., Laporte, G. dan S. Y. Lee. (1996). “Examination
timetabling: algorithmic strategies and applications”. J. Oper. Res. Soc.,
vol. 47, no. 3, pp. 373-383.
[2] Thompson, J. M. and Dowsland, K. A. (1998). “A robust simulated
annealing based examination timetabling system,” Comput. Oper. Res.,
vol. 25, no. 7–8, pp. 637-648.
[3] Kendall, G. and Hussin, N. (2005). “An Investigation of a
tabu-search-based hyper-heuristic for examination timetabling,” in Multidisciplinary Int. Scheduling Conf.: Theory and Applicat., New York, pp. 309-328.
[4] Abdullah,S., Burke, E. K. and B. McCollum. (2005). “An investigation of
variable neighbourhood search for university course timetabling,” in Proc.
2nd Multidisciplinary Int. Conf. Scheduling: Theory and Applicat. pp. 413-427.
[5] Burke, E. K., dan Newall, J. (2003). "Enhancing timetable solutions with
local search methods," Practice and Theory of Automated Timetabling IV,
Lecture Notes in Computer Science 2740, E. K. Burke and P. Causmaecker, eds., pp. 195-206: Springer Berlin Heidelberg.
[6] Caramia, M., Dell'Olmo, P. dan Italiano, G. F. (2001). "New algorithms
for examination timetabling," Algorithm Eng., Lecture Notes in
Computer Science 1982, S. Näher and D. Wagner, eds., pp. 230-242, Berlin, Heidelberg: Springer Berlin Heidelberg.
[7] Fong, C.W. Asmuni, H. dan McCollum, B. (2015). A Hibridisasi Swarm
Based Approach to University Timetabling. Johor: Department of
Computer and Mathematics, Faculty of Applied Science and Computing. Tunku Abdul Rahmah University. Malaysia.
[8] Kahar, M.N. M. dan Kendall, G. (2015). A great deluge algorithm for a
real-world examination timetabling problem. Journal of the Operational
Research Society, 66 (1): 116-133.
[9] Basuki, Achmad. (2003). Algoritma genetika: Suatu Alternatif
Penyelesaian Permasalahan Searching, Optimasi, dan Mechine Learning.
Politeknik Elektronika Negeri Surabaya.ITS. Surabaya.
[10] Firmansyah, E.K., Ahmad,S.S. dan Agustin, N.H. (2012). Kecerdasan
Buatan: Algoritma genetika, Universitas Syarif Hidayatullah Jakarta.
[11] Witary, V. Rachmat, N. dan Innayatulah.(2013). Optimasi Penjadwalan
dengan Menggunakan Algoritma genetika (Studi Kasus: AMIK MDP, STMIK GI MDP dan STIE MDP ). Jurusan Teknik Informatika STMIK GI
MDP.
[12] Suyanto. Artificial Intelligence : Searching – Reasoning – Planning –
Learning. (2014). Bandung: INFORMATIKA.
[13] K. Z. Gao, P. N. Suganthan, T. J. Chua, C. S. Chong, T. X. Cai and P. Q. Pan. (2015). A two-stage artificial bee colony algorithm scheduling
flexible job-shop scheduling problem with new job insertion. Singapore:
