i
DESAIN DAN IMPLEMENTASI ALGORITMA GENETIKA
UNTUK PROGRAM PENJADWALAN “
COASS
”
(Studi Kasus Lembaga Kepaniteraan FK. UMM)
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1
Teknik Informatika Universitas Muhammadiyah Malang
Oleh:
Ali Muhammad
09560322
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG
2013
ii
LEMBAR PERSETUJUAN
Desain Dan Implementasi Algoritma Genetika Untuk Program
Penjadwalan “
COASS
”
(Studi Kasus Lembaga Kepaniteraan FK. UMM)
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Menyetujui,
Pembimbing I Pembimbing II
Ir. Nur Alif Mardiyah, MT Yufis Azhar, SKom
iii
LEMBAR PENGESAHAN
Desain Dan Implementasi Algoritma Genetika Untuk Program Penjadwalan “COASS”
(Studi Kasus Lembaga Kepaniteraan FK. UMM)
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Disusun Oleh: Ali Muhammad
09560322
Tugas akhir ini telah diuji dan dinyatakan lulus melalui sidang majelis pengujian pada tanggal 24 – April – 2013. 2012
Menyetujui,
Mengetahui,
Ketua Jurusan Teknik Informatika
Eko Budi Cahyono, S.Kom, MT Penguji I
Yuda Munarko, S.Kom, M.Sc. NIP. 108.9504.0330
Penguji II
Wahyu Andhyka, S.Kom. S.Kom
iv
LEMBAR PERNYATAAN
Yang bertanda tangan dibawah ini :
NAMA : ALI MUHAMMAD
NIM : 09560322
FAK./JUR. : TEKNIK/INFORMATIKA
Dengan ini saya menyatakan bahwa Tugas Akhir dengan judul “Desain dan Implementasi Algoritma Genetika Pada Penjadwalan “COASS” (Studi Kasus
Lembaga Kepaniteraan FK. UMM)” beserta seluruh isinya adalah karya saya
sendiri dan bukan merupakan karya Skripsi atau Tugas Akhir orang lain, baik sebagian maupun seluruhnya, kecuali dalam bentuk kutipan yang telah disebutkan sumbernya.
Demikian surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila kemudian ditemukan ditemukan adanya pelanggaran terhadap etika keilmuan dalam karya saya ini, atau ada klaim dari pihak lain terhadap keaslian karya saya ini maka saya siap menanggung segala bentuk resiko/sanksi yang berlaku.
Malang, 24 April 2013
Mengetahui,
Dosen Pembimbing Yang Membuat Pernyataan
Ir. Nur Alif Mardiyah, MT Ali Muhammad
viii
KATA PENGANTAR
Dengan Memanjatkan berbagai puji dan syukur kehadirat Allah SWT. Atas limpahan rahmat dan hidayah-NYA sehingga penulis bisa menyelesaikan tugas akhir yang berjudul : “DESAIN DAN IMPLEMENTASI ALGORITMA GENETIKA UNTUK PROGRAM PENJADWALAN “COASS” (Studi Kasus Lembaga Kepaniteraan FK. UMM)”
Didalam tulisan ini disajikan pokok-pokok bahasan yang meliputi pendahuluan, dasar teori, perancangan sistem, pengujian, analisa sistem, serta kesimpulan.
Penulis menyadari sepenuhnya bahwa dalam penulisan tugas akhir ini masih banyak sekali kekurangan dan keterbatasan. Oleh karena itu peneliti mengharap saran serta kritik yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan kedepan.
Malang, 24 April 2013
v
ABSTRAK
Menyusun jadwal Coass (Coordinator-Assistant) merupakan salah satu kegiatan rutin yang harus dilakukan oleh Fak. Kedokteran. Menyusun jadwal
coass memerlukan ketelitian, ketelatenan dan banyak menyita waktu. Terlebih
lagi sejak praktek coass ini bersifat moving laboratorium. Yaitu sistem praktek yang bercirikan kelompok praktikum mendatangi ruang dimana praktek coass tersebut dilaksanakan. Sehingga membuat jadwal coass akan lebih rumit daripada jadwal yang lainnya karena harus memperhatikan bidang kepaniteraan, dosen dan ruang untuk menghindari bentrok pada penjadwalan.
Oleh karena itu pada penelitian ini akan dicoba membuat aplikasi yang dapat mempermudah dalam menyusun jadwal coass dengan mengimple-mentasikan algoritma genetika. Keuntungan penggunaan algoritma genetika adalah dari kemudahan implementasi, sehingga kemampuannya untuk menemukan solusi yang bagus dan cepat untuk masalah-masalah berdimensi tinggi.
Berdasarkan uji coba yang dilakukan pada aplikasi penjadwalan coass dengan algoritma genetika dapat disimpulkan bahwa semakin banyak jumlah data dan persyaratan yang harus dipenuhi maka akan semakin besar juga jumlah generasi dan semakin lama waktu yang dibutuhkan. Dari hasil pengujian menggunakan pemberhentian jika pada 1000 kali generasi tidak terdapat perbaikan nilai fitness atau jika semua constraint telah terpenuhi digunakan perbandingan data ujicoba populasi sebanyak 5 populasi, 30 populasi dan 50 populasi, dengan perbandingan data crossover masing-masing bernilai crossover 0.001, crossover 0.01 dan crossover 1, sedangkan peluang mutasi yang diujikan dengan nilai mutasi 0.001, mutasi 0.01 dan mutasi 1. Sehingga didapatkan parameter algoritma genetika terbaik dengan jumlah populasi terbaik 5, peluang
crossover 0.01 dan mutasi 0.001 untuk waktu komputasi yang optimal
vi
ABSTRACT
Arranging Coass (Coordinator-Assistant) schedulling is one of the Medical Faculty routines activity. It needs throughness, patience and takes a lot of time. Ekspecially in coass practice of a profession has applied moving laboratory. It’s kind of practice process that demanded the students to come to certain laboratory room based on the practice of a profession they would have. Of course the making of coass schedule more complicated than other schedule because we have to classify field of secretariat, lucture and room to avoid the overlapping schedule.
Because of that this research try to make application that can make the arrangement of coass schedule easier by implemented genetics algorithm. The benefits of this method are the easiness of the implementation, the ability to find the best and fast solution for high dimention problem.
Based on the genetics algorithm has been done trial in coass schedulling application could be concluded that the more data and the more requirements used in this case would make the more generation amount and of course the more time would be needed. The population test results using dismissal if on the 1000 generation times not be able to repairing fitness value or if all constraint has been compiled used experimental data comparing population of 5 populations, 30 populations and 50 populations, with a crossover comparison of data each worth crossover 0.001, crossover 0.01 and crossover 1, while the chances of a mutation that tested the value of 0.001 mutations, 0.01 mutations and 1 mutations. So get the best parameters of a genetic algorithm with a population chances crossover 0.01 and mutation 0.001 for optimation computing quality time.
vii
LEMBAR PERSEMBAHAN
Puji syukur kepada Allah Swt atas rahmat dan karunianya, sehinnga penulis dapat menyelesaikan tugas akhir ini. Dalam penyusunan skripsi ini, tidak lepas dari bimbingan dan dorongan berbagai pihak. Oleh karena itu, penyusun menyamaikan terima kasih yang sebesar-besarnya kepada :
1. Bapak Rektor Universitas Muhammadiyah Malang.
2. Dekan Fakultas Teknik Universitas Muhammadiyah Malang. 3. Dekan Fakultas Kesehatan Universitas Muhammadiyah Malang.
4. Ketua Jurusan dan Dosen Teknik Informatika Universitas Muhammadiyah Malang.
5. Ir. Nur Alif Mardiyah, MT. dan Yufis Azhar, S.Kom selaku pembimbing tugas akhir.
6. Kedua Orang Tua yang telah memberi banyak do’a, amanah, motifasi dan dukungan.
7. Kakak-kakakku yang telah memberi banyak do’a, motifasi, dukungan dan harapan.
8. Seluruh rekan-rekan Fakultas Teknik Informatika Universitas Muhammadiyah Malang khususnya rekan angkatan 2009.
9. Seluruh rekan-rekan dari Mabes “APAM” dan Kerukunan Mahasiswa Kab. Hulu Sungai Tengah.
10.Serta semua pihak yang tidak bisa penyusun sebutkan satu persatu, terima kasih atas bantuan serta semangat yang selalu diberikan hingga terselesaikannya tugas akhir ini. Semoga Allah SWT selalu memberikan kemudahan dalam berusaha sesuai atas jasa dan bantuan yang telah diberikannya.
ix
DAFTAR ISI
LEMBAR PERSETUJUAN ………...…………... ii
LEMBAR PENGESAHAN ……… iii
LEMBAR PERNYATAAN ………..………. iv
ABSTRAK ………...………..………... v
ABSTRACT ………... vi
LEMBAR PERSEMBAHAN………. vii
KATA PENGANTAR ……… viii
DAFTAR ISI ... ix
DAFTAR GAMBAR ……….. xii
DAFTAR TABEL ………... xv
DAFTAR GRAFIK ……….... vvi
BAB I PENDAHULUAN ……….…. 1 Latar Belakang ...………... 1 1.1. Rumusan Masalah ………... 2 1.2. Tujuan ………..…. 2 1.3. Batasan Masalah ………... 2 1.3.1. Metodologi ...……… 3
1.3.2. Konsep Program Penjadwalan... 3
1.3.3. Riset Data ... 3 1.3.4. Storyboard Program ... 3 1.3.5. Analisa Program ... 4 1.3.6. Design Program ... 4 1.3.7. Pengujian ... 4 1.4. Sistematika Penulisan ……… 5
BAB II LANDASAN TEORI………...…….…... 6
2.1. Pendidikan Dokter (Fak. Kedokteran) ……….….…..… 6
2.1.1. Pengertian Coass UMM ………..…………... 6
2.1.2. Landasan Pelaksanaan Coass ……… 7
x
2.2. Jadwal Coass ……… 8
2.3. Algoritma Genetika ... 9
2.3.1. Komponen- Komponen Utama Algoritma Genetika ... 12
2.3.2. Parameter Algortma Genetika ... 25
2.3.3. Pemakaian Algoritma Genetika ... 26
2.3.4. Implementasi Algoritma Genetika Untuk Menyelesaikan Masalah Penjadwalan ... 26
BAB III ANALISA DAN PERANCANGAN SISTEM... 28
3.1. Deskripsi Umum ... 28
3.2. Analisis Kebutuhan ... 28
3.3. Perancangan Algoritma Genetika ... 29
3.4. Perancangan Sistem ... 32 3.4.1. Usecase Diagram ... 33 3.4.2. Activity Diagram ... 33 3.4.3. Sequence Diagram ... 39 3.4.4. Class Diagram ... 45 3.4.5. Database ... 46
3.4.6. Perancangan Antarmuka (Interface) ... 49
BAB IV IMPLEMENTASI DAN PENGUJIAN ... 55
4.1. Implementasi Sistem ... 55
4.1.1. Antarmuka Aplikasi dan Hasil Penjadwalan ... 55
4.2. Implementasi Kode Program ... 61
4.2.1. Kode Program Inisialisasi Kromosom ... 61
4.2.2. Kode Program Perhitungan Fungsi Fitness ... 65
4.2.3. Kode Program Seleksi Roulette Wheel ... 75
4.2.4. Kode Program Pindah Silang (Crossover) ... 76
4.2.5. Kode Program Mutasi ... 78
4.2.6. Kode Program Generasi ... 79
4.3. Tahap Pengujian ... 80
4.3.1. Pengujian Dengan Persyaratan Penghentian Yang Berbeda. 80 4.3.2. Pengujian Dengan Parameter Yang Berbeda ... 83
xi
4.4. Grafik Perbandingan ... 98
4.4.1. Grafik perbandingan nilai fitness ... 98
4.4.2. Grafik perbandingan jumlah generasi ... 99
4.4.3. Grafik perbandingan waktu ... 100
BAB V KESIMPULAN DAN SARAN... 101
5.1. Kesimpulan ... 101
5.2. Saran ... 101
DAFTAR PUSTAKA ... 102
xii
DAFTAR GAMBAR
Gambar 1.1 Flowchart algoritma genetika ... 4
Gambar 2.1 Ilustrasi representasi penyelesaian permasalahan dalam algoritma genetika ... 11
Gambar 2.2 Diagram alir algoritma genetika sederhana ... 12
Gambar 2.3 Representasi string bit dan pohon ... 13
Gambar 2.4 Probabilitas terpilihnya suatu kromosom dalam roda roulet ... 15
Gambar 2.5 Ilustrasi dari PMX operator ... 19
Gambar 2.6 Ilustrasi dari OX operator ... 19
Gambar 2.7 Ilustrasi dari CX operator ... 19
Gambar 2.8 Contoh genome sebelum dan sesudah mutasi dengan pengkodean pohon ... 19
Gambar 3.1 Contoh kumpulan gen pada kromosom ... 30
Gambar 3.2 Usecase diagram... 33
Gambar 3.3 Activity diagram mengatur data kepaniteraan ... 34
Gambar 3.4 Activity diagram mengatur data kelompok ... 35
Gambar 3.5 Activity diagram mengatur data ruang ... 35
Gambar 3.6 Activity diagram mengatur data dosen ... 36
Gambar 3.7 Activity diagram mengatur data PTM... 37
Gambar 3.8 Activity diagram melakukan pengaturan ... 38
Gambar 3.9 Activity diagram generate jadwal ... 38
Gambar 3.10 Sequence diagram data kepaniteraan... 39
Gambar 3.11 Sequence diagram datakelompok ... 41
Gambar 3.12 Sequence diagram data ruang ... 42
Gambar 3.13 Sequence diagram data dosen ... 43
Gambar 3.14 Sequence diagram data pembagian tugas membimbing ... 43
Gambar 3.15 Sequence diagram generate jadwal ... 44
Gambar 3.16 Class diagram ... 45
Gambar 3.17 CDM... 47
Gambar 3.18 PDM ... 48
xiii
Gambar 3.20 Tampilan form bidang kepaniteraan ... 50
Gambar 3.21 Tampilan form data kelompok... 51
Gambar 3.22 Tampilan form data ruang ... 52
Gambar 3.23 Tampilan form data dosen ... 52
Gambar 3.24 Tampilan form data PTM ... 53
Gambar 3.25 Tampilan form buat jadwal ... 53
Gambar 3.26 Tampilan form menu pengaturan... 50
Gambar 4.1 Antarmuka menu utama ... 55
Gambar 4.2 Antarmuka form data kepaniteraan ... 56
Gambar 4.3 Antarmuka form data kelompok ... 56
Gambar 4.4 Antarmuka form data ruang ... 57
Gambar 4.5 Antarmuka form data dosen ... 57
Gambar 4.6 Antarmuka form PTM ... 58
Gambar 4.7 Antarmuka form pengaturan ... 58
Gambar 4.8 Antarmuka form jadwal ... 59
Gambar 4.9 Hasil penjadwalan sheet PTM ... 60
Gambar 4.10 Hasil penjadwalan sheet jadwal... 61
Gambar 4.11 Kode program mengambil data PTM dari database... 62
Gambar 4.12 Kode program inisialisasi subgen PTM ... 63
Gambar 4.13 Kode program inisialisasi subgen ruang... 64
Gambar 4.14 Kode program fitness bentrok dosen ... 65
Gambar 4.15 Kode program fitness bentrok ruang... 66
Gambar 4.16 Kode program fitness ketidaksesuaian ruang dgn kepaniteraan 67 Gambar 4.17 Kode program fitness jumlah kepaniteraan yang dipraktekkan lebih dari 1x semester pada satu kelompok ... 68
Gambar 4.18 Kode program fitness ketidaksesuaian jadwal dipraktekkan ... 69
Gambar 4.19 Kode program fitness ketidaksesuaian jadwal membimbing dosen dalam 1 semester yang tidak urut... 70
Gambar 4.20 Kode program fitness ketidaksesuaian jadwal membimbing dosen dalam 1 semester yang tidak dalam 1 ruangan... 73
Gambar 4.21 Kode program untuk menghitung fitness jumlah jadwal membim-bing dosen dalam 1 semester melampaui batas membimmembim-bing .... 74
xiv
Gambar 4.22 Kode program seleksi Roulette Wheel... 75
Gambar 4.23 Kode program Pindah Silang... 77
Gambar 4.24 Kode program mutasi ... 78
Gambar 4.25 Kode program generasi ... 79
xv
DAFTAR TABEL
Tabel 2.1 Masa Studi Coass ... 8
Tabel 2.2 Contoh crossover 1 titik ... 17
Tabel 2.3 Contoh crossover 2 titik ... 18
Tabel 2.4 Contoh crossover seragam ... 18
Tabel 2.5 Contoh mutasi pada pengkodean biner ... 23
Tabel 2.6 Contoh mutasi pada pengkodean permutasi ... 23
Tabel 2.7 Contoh mutasi pada pengkodean riil dengan nilai yang ditambahkan atau dikurangkan adalah 0,10... 24
Tabel 4.1 Pengujian penghentian 1 ... 80
Tabel 4.2 Pengujian penghentian 2 ... 81
Tabel 4.3 Pengujian penghentian 3 ... 82
Tabel 4.4 Pengujian dengan jumlah populasi 5 ... 84
Tabel 4.5 Pengujian dengan jumlah populasi 30... 84
Tabel 4.6 Pengujian dengan jumlah populasi 50... 84
Tabel 4.7 Pengujian dengan crossover 0.001 ... 86
Tabel 4.8 Pengujian dengan crossover 0.01... 86
Tabel 4.9 Pengujian dengan crossover 1 ... 87
Tabel 4.10 Pengujian dengan peluang mutasi 0.001 ... 88
Tabel 4.11 Pengujian dengan peluang mutasi 0.01 ... 89
Tabel 4.12 Pengujian dengan peluang mutasi 1... 89
Tabel 4.13 Pengujian dengan jumlah kelompok 6 ... 91
Tabel 4.14 Pengujian dengan jumlah kelompok 12 ... 91
Tabel 4.15 Pengujian dengan jumlah kelompok 24 ... 92
Tabel 4.16 Pengujian dengan jumlah dosen 14 ... 93
Tabel 4.17 Pengujian dengan jumlah dosen 18 ... 94
Tabel 4.18 Pengujian dengan jumlah dosen 22 ... 94
Tabel 4.19 Pengujian dengan jumlah ruang 14 ... 96
Tabel 4.20 Pengujian dengan jumlah ruang 18 ... 96
xvi
DAFTAR GRAFIK
Grafik 4.1 Nilai fitness pengujian dengan persyaratan yang berbeda ... 82
Grafik 4.2 Jumlah generasi pengujian dengan persyaratan yang berbeda... 82
Grafik 4.3 waktu pengujian dengan persyaratan yang berbeda ... 83
Grafik 4.4 Nilai fitness pengujian dengan jumlah populasi yang berbeda ... 85
Grafik 4.5 Jumlah generasi pengujian dengan jumlah populasi yang berbeda... 85
Grafik 4.6 Waktu pengujian dengan jumlah populasi yang berbeda ... 85
Grafik 4.7 Nilai fitness pengujian dengan crossover yang berbeda ... 87
Grafik 4.8 Jumlah generasi pengujian dengan crossover yang berbeda ... 87
Grafik 4.9 Waktu pengujian dengan crossover yang berbeda ... 88
Grafik 4.10 Nilai fitness pengujian dengan mutasi yang berbeda ... 89
Grafik 4.11 Jumlah generasi pengujian dengan mutasi yang berbeda ... 89
Grafik 4.12 Waktu pengujian dengan mutasi yang berbeda ... 89
Grafik 4.13 Nilai fitness pengujian dengan jumlah kelompok yang berbeda... 92
Grafik 4.14 Jumlah generasi pengujian dengan jumlah kelompok yang berbeda. 92 Grafik 4.15 Waktu pengujian dengan jumlah kelompok yang berbeda ... 93
Grafik 4.16 Nilai fitness pengujian dengan jumlah dosen yang berbeda ... 94
Grafik 4.17 Jumlah generasi pengujian dengan jumlah dosenyang berbeda ... 95
Grafik 4.18 Waktu pengujian dengan jumlah dosen yang berbeda ... 95
Grafik 4.19 Nilai fitness pengujian dengan jumlah ruang yang berbeda ... 97
Grafik 4.20 Jumlah generasi pengujian dengan jumlah ruang yang berbeda .... 97
Grafik 4.21 Waktu pengujian dengan jumlah ruang yang berbeda ... 97
Grafik 4.22 Perbandingan nilai fitness dengan persyaratan, populasi, crossover, dan mutasi yang berbeda ... 97
Grafik 4.23 Perbandingan nilai fitness dengan kelompok, dosen, dan ruang yang berbeda ... 98
Grafik 4.24 Perbandingan jumlah generasi dengan persyaratan, populasi, crossover, mutasi, kelompok, dosen, dan ruang yang berbeda ... 99
Grafik 4.25 Perbandingan waktu dengan persyaratan, populasi, crossover, mutasi, kelompok, dosen, dan ruang yang berbeda ... 100
102
DAFTAR PUSTAKA
Cholis, Mohammad Nur. 2012. : Aplikasi Penjadwalan Pelajaran Moving Class Dengan Algoritma Genetika (Studi Kasus SMP Negeri 1 Paiton). Malang: Jurusan Teknik Informatika UMM.
Desiani, A., Arhami, M 2006. Konsep kecerdasan buatan. Yogyakarta : Andi. Kiswantoro, Djoko. 2003. Penjadwalan Mata Kuliah Menggunakan Algoritma
Genetika Studi Kasus : Jurusan Teknik Industri FTI-ITS Surabaya.
Surabaya : Jurusan Teknik Industri FTI-ITS.
Kusumadewi, S 2003. Artificial Intelegence (Teknik dan Aplikasinya). Yogyakarta : Graha Ilmu.
Park, B. J., Choi, H. R., & Kim, H. S. (2003). A hybrid genetic algorithm for
the job shop scheduling problems . Computers and Industrial
Engineering, 45(4), 597–613.
Poon, P. W., & Carter, J. N. (1995). Genetic algorithm crossover operators for
ordering applications. Computers and Operations Research, 22(1), 135–
147.
Seo, D. K., Klein, C. A., & Jang, W. (2005). Single machine stochastic scheduling to minimize the expected number of tardy jobs using
mathematical programming models . Computers and Industrial
Engineering, 48(2), 153–161.
Shys-Chang Lin, Godman D. , & William, F. (2004). A Genetic Algorithm
Approach to Dynamic Job Shop Scheduling Problems. Genetic
Algorithms Research and Applications Group 230 Engineering Building, Michigan State University, MI 48824.
Sujana, Y. Bahan Ajar Kecerdasan Buatan.
103 Ulfa, M. L. 2011. Optimasi Penjadwalan Perkuliahan Menggunakan Algoritma Genetika (Studi Kasus : Jurusan Teknik Informatika UIN
Maulana Malik Ibrahim Malang). Malang : Jurusan Teknik Informatika
UIN Malang.
UMM 2007. Buku Panduan Pendidikan Profesi Dokter (BP3D).Malang : Fak. Kedokteran UMM.
Widyastuti, N., Ratnawati, A. Dan Cahyani, R N. 2008. Optimasi Penjadwalan
Kegiatan Belajar Mengajar dengan Algoritma Genetik. Surakarta :
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sebelas Maret.
