BAB III
METODOLOGI PENELITIAN
Ukuran unjuk kerja dalam hal ini kecepatan akses data dalam sebuah aplikasi web
dipengaruhi oleh banyak faktor. Salah satu faktornya adalah desain aplikasi.
Untuk kinerja Desain aplikasi dalam layout saja tidak cukup untuk pengoptimalan
kinerja web. Meskipun layout dibuat sederhana dengan sedikit menggunakan
aplikasi multimedia seperti flash dalam desain aplikasinya namun tetap saja belum
bisa menjamin kinerja aplikasi web akan cepat. Optimasi dalam desain aplikasi
Kalau tidak didukung dengan kecepatan akses yang memadai maka akan semakin
menurun unjuk kerjanya.
Faktor lainnya adalah optimasi basis data. Data yang tersimpan dalam database semakin lama akan semakin besar ukuran atau volumenya. Untuk meningkatkan unjuk kerja harus didukung dengan optimasi dari perintah SQL
yang digunakan pada aplikasi tersebut. Dalam mendesain database, seringkali lokasi fisik data tidak menjadi perhatian penting karena hanya desain logik saja
yang diperhatikan. Padahal untuk menampilkan hasil query dibutuhkan pencarian yang melibatkan struktur fisik penyimpanan data. Inti dari optimasi query adalah
meminimalkan “jalur” pencarian untuk menemukan data yang disimpan dalam
lokasi fisik.
penggunaan index yang tidak tepat, tidak akan meningkatkan unjuk kerja dalam
hal ini kecepatan akses data.
3.1 Bahan-Bahan
Dalam penelitian ini penulis menganalisis web E-learning dengan menggabungkan metode M2S crossover dan metode CHUNK crossover sehingga dihasilkan sebuah penggabungan dari kedua metode M2S crossover dan CHUNK crossover tersebut dalam optimasi data.
Adapun bahan-bahan yang digunakan dalam penelitian ini berupa Data
yang terdiri dari tabel guru, tabel siswa, tabel matapelajaran, tabel porsi (tabel staf
pengajar dalam melakukan proses pembelajaran), tabel waktu, tabel jadwal
E-learning.
3.2 Analisis Optimasi
Menganalisa optimasi query database dalam web pembelajaran SMK N 1 Barumun dan untuk menganalisa perbandingan antara optimasi dengan metode
M2S Crossover dan optimasi dengan metode CHUNK Crossover dengan tahapan-tahapan:
1. Representasi Kromosom
Elemen utama dalam pengoperasian algoritma genetik adalah kromosom. Pada
optimasi query database ini diberikan sejumlah join dan relasi. Dari setiap
mana saja. Dengan kata lain, setiap tabel dapat dijoinkan dengan tabel-tabel
lainnya.
Contoh:
Dicari nilai a, b, c, d maka variabel a, b, c, d dijadikan sebagai gen-gen
pembentuk chromosome. Batasan nilai variabel a adalah bilangan integer 0
sampai 30. Sedangkan batasan nilai variabel b, c, dan d adalah bilangan
integer 0 sampai 10.
2. Menentukan populasi awal
Setelah ukuran populasi ditentukan, kemudian dilakukan inisialisasi terhadap
kromosom yang terdapat pada populasi tersebut dengan populasi awal dipilih
secara acak.
Contoh:
Misalkan ditentukan jumlah populasi adalah 6, maka:
Chromosome[1] = [a;b;c;d] = [12;05;03;08]
Chromosome[2] = [a;b;c;d] = [02;01;08;03]
Chromosome[3] = [a;b;c;d] = [10;04;03;04]
Chromosome[4] = [a;b;c;d] = [20;01;10;06]
Chromosome[5] = [a;b;c;d] = [01;04;03;09]
Chromosome[6] = [a;b;c;d] = [20;05;07;01]
3. Seleksi
Metode seleksi yang digunakan pada algoritma ini adalah metode Roulette
seleksi yang lebih besar bagi anggota populasi yang memiliki fitness tinggi
untuk melakukan seleksi.
Permasalahan yang ingin diselesaikan adalah nilai variabel a, b, c, dan d yang
memenuhi persamaan a+2b+3c+4d = 30, maka fungsi_objektif yang dapat
digunakan untuk mendapatkan solusi adalah:
fungsi_objektif(chromosome) = | (a+2b+3c+4d) – 30 |
Hitung fungsi_objektif dari chromosome yang telah dibangkitkan:
fungsi_objektif(chromosome[1]) = Abs(( 12 + 2*5 + 3*3 + 4*8 ) – 30) = Abs((12 + 10 + 9 + 32 ) – 30)
= Abs(63 – 30) = 33
fungsi_objektif(chromosome[2]) = Abs(( 2 + 2*1 + 3*8 + 4*3 ) – 30) = Abs(( 2 + 2 + 24 + 12 ) – 30)
= Abs(40 – 30) = 10
fungsi_objektif(chromosome[3]) = Abs(( 10 + 2*4 + 3*3 + 4*4 ) -30)
= Abs(( 10 + 8 + 9 + 16 ) – 30) = Abs(43 – 30)
= 13
fungsi_objektif(chromosome[4]) = Abs(( 20 + 2*1 + 3*10 + 4*6 ) – 30) = Abs(( 20 + 2 + 30 + 24 ) – 30)
fungsi_objektif(chromosome[5]) = Abs(( 1 + 2*4 + 3*3 + 4*9 ) – 30) = Abs(( 1 + 8 + 9 + 36 ) – 30)
= Abs(54 – 30) = 24
fungsi_objektif(chromosome[6]) = Abs(( 20 + 2*5 + 3*7 + 4*1 ) – 30) = Abs(( 20 + 10 + 21 + 4) – 30)
= Abs(55 – 30) = 25
Rata-rata dari fungsi objektif adalah:
rata-rata = (33+10+13+46+24+25)/6
= 151 / 6
= 25.167
Proses seleksi dilakukan dengan cara membuat chromosome yang
mempunyai fungsi_objektif kecil mempunyai kemungkinan terpilih yang
besar atau mempunyai nilai probabilitas yang tinggi.
Algoritma dari seleksi roda roulette wheel adalah sebagai berikut :
a. Hitung total fitness (F) :
TotFitness = Σ Fk; k=1,2,…,popsize
Untuk itu dapat digunakan fungsi fitness = (1/(1+fungsi_objektif)),
fungsi_objektif perlu ditambah 1 untuk menghindari kesalahan program yang
diakibatkan pembagian oleh 0.
fitness[1] = 1 / (fungsi_objektif[1]+1)
= 0.0294
fitness[2] = 1 / (fungsi_objektif[2]+1)
= 1 / 11
= 0.0909
fitness[3] = 1 / (fungsi_objektif[3]+1)
= 1 / 14
= 0.0714
fitness[4] = 1 / (fungsi_objektif[4]+1)
= 1 / 47
= 0.0212
fitness[5] = 1 / (fungsi_objektif[5]+1)
= 1 / 25
= 0.0400
fitness[6] = 1 / (fungsi_objektif[6]+1)
= 1 / 26
= 0.0385
total_fitness = 0.0294 + 0.0909 + 0.0714 + 0.0212 + 0.04 + 0.0385
= 0.2914
b. Hitung fitness relatif tiap individu :
pk = Fk / TotFitness
Rumus untuk mencari probabilitas: P[i] = fitness[i] / total_fitness
= 0.1009
P[2] = 0. 0909 / 0.2914
= 0.3119
P[3] = 0. 0714 / 0.2914
= 0.2450
P[4] = 0. 0212 / 0.2914
= 0.0728
P[5] = 0.04 / 0.2914
= 0.1373
P[6] = 0.0385 / 0.2914
= 0.1321
c. Hitung fitness komulatif :
− q1 = p1
− qk = qk-1 + pk; k =2,3,…,popsize
Dari probabilitas diatas dapat kita lihat kalau chromosome ke 2 yang
mempunyai fitness paling besar maka chromosome tersebut mempunyai
probabilitas untuk terpilih pada generasi selanjutnya lebih besar dari
chromosome lainnya. Untuk proses seleksi kita gunakan roulete wheel,
untuk itu kita harus mencari dahulu nilai kumulatif probabilitasnya:
C[1] = 0.1009
C[2] = 0.1009+ 0.3119
C[3] = 0.1009+ 0.3119 + 0.2450
= 0.6578
C[4] = 0.1009+ 0.3119 + 0.2450 + 0.0728
= 0.7306
C[5] = 0.1009+ 0.3119 + 0.2450 + 0.0728 + 0.1373
= 0.8679
C[6] = 0.1009+ 0.3119 + 0.2450 + 0.0728 + 0.1373 + 0.1321
= 1
d. Pilih induk yang akan menjadi kandidat untuk di-crossover dengan cara :
- Bangkitkan bilangan random r.
- Jika qk ₤ r dan qk+1 > r, maka pilih kromosom ke (k+1) sebagai kandidat induk.
Jika R[k] < C[1] maka pilih chromosome 1 sebagai induk, selain itu pilih
chromosome ke-k sebagai induk dengan syarat C[k-1] < R < C[k]. Kita
putar roulete wheel sebanyak jumlah populasi yaitu 6 kali (bangkitkan
bilangan acak R) dan pada tiap putaran, kita pilih satu chromosome untuk
populasi baru. Misal:
R[1] = 0.201
R[2] = 0.284
R[3] = 0.009
R[5] = 0.398
R[6] = 0.501
Angka acak pertama R[1] adalah lebih besar dari C[1] dan lebih
kecil daripada C[2] maka pilih chromosome[2] sebagai chromosome pada
populasi baru, dari bilangan acak yang telah dibangkitkan diatas maka
populasi chromosome baru hasil proses seleksi adalah:
chromosome[1] = chromosome[2]
chromosome[2] = chromosome[2]
chromosome[3] = chromosome[1]
chromosome[4] = chromosome[5]
chromosome[5] = chromosome[2]
chromosome[6] = chromosome[3]
Chromosome baru hasil proses seleksi:
chromosome[1] = [02;01;08;03]
chromosome[2] = [02;01;08;03]
chromosome[3] = [12;05;03;08]
chromosome[4] = [01;04;03;09]
chromosome[5] = [02;01;08;03]
chromosome[6] = [10;04;03;04]
4. Crossover
Melakukan optimasi query dengan metode crossover M2S dan CHUNK
Mutasi yang digunakan dalam penelitian ini adalah mutasi permutasi. Mutasi
yang dapat dilakukan yaitu dengan memilih dua nilai gen dari kromosom dan
kemudian nilai tersebut saling dipertukarkan. Penukaran untuk setiap nilai
dilakukan secara acak dengan masing-masing nilai gen yang menyatakan
relasi mempunyai peluang yang sama untuk terpilih sebagai nilai gen penukar.
6. Parameter Genetik
Parameter genetik berguna dalamnpengendalian operator-operator genetik.
Beberapa parameter yang digunakan adalah : jumlah relasi, ukuran populasi,
maksimum generasi, probabilitas crossover (Pc), dan probabilitas mutasi
(Pm).
3.3 Teknik Analisa Konsep E-Learning 3.3.1 Kebutuhan Optimasi
Konsep E-learning pada SMK Barumun yang akan dioptimasi adalah
Implementasi E-learning sebagai pengganti les tambahan yang merupakan
program pihak sekolah untuk meningkatkan hasil belajar siswa. Kegiaran belajar
on-line yang dilakukan oleh guru bidang studi adalah pemberian materi dan tugas
secara on line yang juga harus diikuti oleh siswa pada jam-jam yang telah
ditentukan. Untuk memudahkan pihak guru bidang studi, maka guru hanya
memberikan file materi dan tugas yang selalu terupdate untuk diserahkan pada
admin selanjutnya admin akan memasukkan dalam situs e-learning sekolah.
Keterbatasan pihak sekolah yang hanya mempunyai 2 (dua) admin tentu membuat
memperlambat jalannya koneksi situs. Untuk itu perlu dilakukan optimasi
database yang mana akan dikaji optimasi yang lebih baik dengan
membandingkan antara metode optimasi M2S cross over dan Chunk cross over.
3.3.2 Data base Elearning
Data yang tersimpan dalam database elearning diklasifikasikan dan dikombinasikan dengan menggunakan pendekatan algoritma genetika. Tabel-tabel
database yang berkaitan dengan optimasi elearning adalah sebagai berikut:
Tabel 3.1. Database tabel guru
Tabel guru dalam database elearning terdiri dari 6 field dengan 2 field
yang akan di kombinasikan dengan tabel lain yakni id sebagai kode guru dan
namaguru adalah staf pengajar.
Tabel 3.2. Database tabel siswa
Tabel siswa dalam database elearning terdiri dari 7 field dengan 4 field
field nama adalah nama siswa, field fkelas yakni tingkatan kelas siswa yang terdiri
dari kelas sepuluh (X), sebelas (XI) dan duabelas (XII) dan field jurusan yakni
jurusan A, B dan C.
Tabel 3.3. Database tabel Matapelajaran
Tabel Matapelajaran dalam database elearning terdiri dari 3 field dengan 3
field yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode
pelajaran, field pelajaran adalah nama mata pelajaran dan field kelas adalah kelas
siswa yakni kelas sepuluh (X), sebelas (XI) dan duabelas (XII).
Tabel 3.4. Database tabel porsi
Tabel por dasilam database elearning terdiri dari 4 field dengan 4 field
yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode porsi,
field namaguru yakni staf pengajar dalam elearning, field semester adalah
semester berjalan dan field porsi adalah porsi untuk staff pengajar dalam
melakukan proses pengajaran dalam elearning.
Tabel waktu dalam database elearning terdiri dari 4 field dengan 4 field
yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode waktu,
field termin yakni termin elearning dalam satu hari, field jam adalah waktu jam
proses elearning dan field hari adalah jadwal hari proses elearning.
Tabel 3.6. Database tabel jadwal elearning
Tabel jadwal dalam database elearning terdiri dari 10 field dengan 10 field
yang akan di optimasi yakni field idguru sebagai kode guru, field namaguru yakni
nama staf pengajar, field idpelajaran sebagai kode mata pelajaran, field pelajaran
yakni mata pelajaran dalam elearning, field jurusan yakni penjurusan dari siswa,
field semester yakni semester berjalan, field kelas yakni tingkatan kelas siswa,
field hari yakni hari proses elearning dan field termin yakni termin dalam waktu
elearning yakni terbagi dalam termin 1,2 dan seterusnya berkaitan dengan field
jam yakni jam 16.30-17.30, 17.30-18.30, 18.30-19.30 , 19.30-20.30 dan
20.30-21.30 .
3.3.3 Representasi Kromosom
Elemen utama dalam pengoperasian algoritma genetik yakni kromosom dimana
pada optimasi query database elearning diberikan sejumlah join dan relasi.
mana saja atau setiap tabel dapat dijoinkan dengan tabel-tabel lainnya. Relasi dan
join tabel elaearning dapat digambarkan sebagai berikut:
Gambar 3.4 Relasi dan Joint tabel
3.3.4 Prosedur Inisialisasi
Pada prosedur inisiasi dilakukan proses inisiasi porsi guru pengajar elearning
dengan data awal 25 data guru dan 10 data mata pelajaran.
Tabel 3.7. Database data Guru SMK N 1 Barumun
Kode Guru Nama Guru
GU001 Reza Hakin
GU002 Mustika Rani
GU003 Siti Humaira
GU004 Raja Jamil
GU005 Eka Dinavia
GU006 Ari
GU007 Bernard
GU008 Cici
GU009 Dwi
GU010 Eli
GU011 Fadly
GU012 Gandi
GU013 Hari
GU014 Izul
GU015 Jaja
GU016 Kenanga
GU017 Luban
GU018 Mirna
GU019 Noni
GU020 Oka
GU021 Patrick
GU022 Qila
GU023 Rara
GU024 Sandi
Tabel 3.8. Database data Mata Pelajaran SMK N 1 Barumun
Kode Guru Nama Mata Pelajaran
MP001 Matematika
MP002 Bahasa Inggris
MP003 Bahasa Indonesia
MP004 Bahasa Daerah
MP005 Pendidikan Agama
MP006 Kimia
MP007 Fisika
MP008 Komputer
MP009 Seni budaya
MP010 Sejarah
Dari tabel-tabel tersebut diatas diinisiasi berdasarkan porsi mengajar
online yang ditugaskan kerpada guru mata pelajaran dalam e-learning Web SMK
N 1 Barumun yang akan di tangani oleh 5 (lima) admin yakni Admin Susi, Admin
Raka, Admin Anton, Admin Budi dan Admin Cintia dengan uraian sebagai
berikut:
a. Kode guru : GU001
Nama guru : Reza hakin
Kode Mata pelajaran : MP001
Mata Pelajaran : Matematika
Jurusan : OTO
Semester : I
Tabel 3.9. Kode Guru GU001 II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
b. Kode guru : GU002
Nama guru : Mustika Rani
Kode Mata pelajaran : MP002
Mata Pelajaran : Bahasa inggris
Jurusan : OTO
Semester : I
Kelas : X
Tabel 3.10. Kode Guru GU002
Hari
I. 16.30-17.30 Anton Cintia
II. 17.30-18.30 Budi Raka
III. 18.30-19.30 Susi
IV. 19.30-20.30
V. 20.30-21.30
c. Kode guru : GU003
Kode Mata pelajaran : MP003
Mata Pelajaran : Bahasa indonesia
Jurusan : OTO
Semester : I
Kelas : X
Tabel 3.11. Kode Guru GU003
Hari
I. 16.30-17.30 Budi
II. 17.30-18.30 Susi
III. 18.30-19.30 Cintia
IV. 19.30-20.30 Anton
V. 20.30-21.30 Raka
d. Kode guru : GU004
Nama guru : Raja Jamil
Kode Mata pelajaran : MP004
Mata Pelajaran : Bahasa Daerah
Jurusan : OTO
Semester : I
Kelas : X
Tabel 3.12. Kode Guru GU004
Hari
I. 16.30-17.30 Anton Cintia II. 17.30-18.30
IV. 19.30-20.30 Raka Anton V. 20.30-21.30
e. Kode guru : GU005
Nama guru : Eka Dinavia
Kode Mata pelajaran : MP005
Mata Pelajaran : Pendidikan Agama
Jurusan : OTO
Semester : I
Kelas : X
Tabel 3.13. Kode Guru GU005
Hari II. 17.30-18.30 Cintia
III. 18.30-19.30 Susi IV. 19.30-20.30
V. 20.30-21.30 Anton Budi
f. Kode guru : GU006
Nama guru : Ari
Kode Mata pelajaran : MP006
Mata Pelajaran : Kimia
Jurusan : OTO
Semester : I
Tabel 3.14. Kode Guru GU006
I. 16.30-17.30
II. 17.30-18.30 Cintia Susi
III. 18.30-19.30 Raka
IV. 19.30-20.30
V. 20.30-21.30
g. Kode guru : GU007
Nama guru : Bernard
Kode Mata pelajaran : MP007
Mata Pelajaran : Fisika
Jurusan : OTO
Semester : I
Kelas : X
Tabel 3.15. Kode Guru GU007
Hari
I. 16.30-17.30
II. 17.30-18.30 Budi Cintia
III. 18.30-19.30
IV. 19.30-20.30 Anton
V. 20.30-21.30
h. Kode guru : GU008
Kode Mata pelajaran : MP008
Mata Pelajaran : Komputer
Jurusan : OTO
Semester : I
Kelas : X
Tabel 3.16. Kode Guru GU008
Hari
I. 16.30-17.30
II. 17.30-18.30
III. 18.30-19.30 Susi Raka
IV. 19.30-20.30
V. 20.30-21.30
i. Kode guru : GU009
Nama guru : Dwi
Kode Mata pelajaran : MP009
Mata Pelajaran : Seni Budaya
Jurusan : OTO
Semester : I
Kelas : X
Tabel 3.17. Kode Guru GU009
Hari
II. 17.30-18.30
III. 18.30-19.30 Anton
IV. 19.30-20.30 Budi
V. 20.30-21.30
j. Kode guru : GU010
Nama guru : Eli
Kode Mata pelajaran : MP010
Mata Pelajaran : Sejarah
Jurusan : OTO
Semester : I
Kelas : X
Tabel 3.18. Kode Guru GU010
Hari
I. 16.30-17.30
II. 17.30-18.30 Anton
III.18.30-19.30 Susi
IV.19.30-20.30 Raka
V. 20.30-21.30
k. Kode guru : GU011
Nama guru : Fadly
Kode Mata pelajaran : MP001
Mata Pelajaran : Matematika
Semester : III
Kelas : XI
Tabel 3.19. Kode Guru GU011
Hari
I. 16.30-17.30
II. 17.30-18.30 Cintia
III. 18.30-19.30
IV. 19.30-20.30 Budi Susi
V. 20.30-21.30
l. Kode guru : GU012
Nama guru : Gandi
Kode Mata pelajaran : MP012
Mata Pelajaran : Bahasa Inggris
Jurusan : OTO
Semester : III
Kelas : XI
Tabel 3.20. Kode Guru GU012
Hari
I. 16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
m.Kode guru : GU013
Nama guru : Hari
Kode Mata pelajaran : MP013
Mata Pelajaran : BahasaIndonesia
Jurusan : OTO
Semester : III
Kelas : XI
Tabel 3.21. Kode Guru GU013
Hari
I. 16.30-17.30
II. 17.30-18.30 Susi
III. 18.30-19.30 Budi Cintia Raka
IV. 19.30-20.30
V. 20.30-21.30
n. Kode guru : GU014
Nama guru : Izul
Kode Mata pelajaran : MP014
Mata Pelajaran : Bahasa daerah
Jurusan : OTO
Semester : III
Kelas : XI
Tabel 3.22. Kode Guru GU014
Porsi (01) (02) (03) (04) (05) (06)
I. 16.30-17.30
II. 17.30-18.30
III. 18.30-19.30 Anton Budi
IV. 19.30-20.30
V. 20.30-21.30
o. Kode guru : GU015
Nama guru : Jaja
Kode Mata pelajaran : MP015
Mata Pelajaran : Pendidikan Agama
Jurusan : OTO
Semester : III
Kelas : XI
Tabel 3.23. Kode Guru GU015
Hari
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
p. Kode guru : GU016
Nama guru : Kenanga
Mata Pelajaran : Kimia
Jurusan : OTO
Semester : III
Kelas : XI
Tabel 3.24. Kode Guru GU016
Hari
I. 16.30-17.30
II. 17.30-18.30
III. 18.30-19.30 Anton Cintia
IV. 19.30-20.30 Raka Budi
V. 20.30-21.30
q. Kode guru : GU017
Nama guru : Luban
Kode Mata pelajaran : MP017
Mata Pelajaran : Fisika
Jurusan : OTO
Semester : III
Kelas : XI
Tabel 3.25. Kode Guru GU017
Hari
I. 16.30-17.30
II. 17.30-18.30 Raka Susi
IV. 19.30-20.30 Anton
V. 20.30-21.30 Budi
r. Kode guru : GU018
Nama guru : Mirna
Kode Mata pelajaran : MP018
Mata Pelajaran : komputer
Jurusan : OTO
Semester : III
Kelas : XI
Tabel 3.26. Kode Guru GU018
Hari
Porsi
Senin (01)
Selasa (02)
Rabu (03)
Kamis (04)
Jum’at
(05)
Sabtu (06)
I. 16.30-17.30 Cintia Raka
II. 17.30-18.30
III. 18.30-19.30 Susi
IV. 19.30-20.30
V. 20.30-21.30
s. Kode guru : GU019
Nama guru : Noni
Kode Mata pelajaran : MP019
Mata Pelajaran : Seni Budaya
Jurusan : OTO
Kelas : XI
Tabel 3.27. Kode Guru GU019
Hari
I. 16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30 Anton
t. Kode guru : GU020
Nama guru : Oka
Kode Mata pelajaran : MP001
Mata Pelajaran : Sejarah
Jurusan : OTO
Semester : III
Kelas : XI
Tabel 3.28. Kode Guru GU020
Hari
I. 16.30-17.30
II. 17.30-18.30 Cintia
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30 Budi
Nama guru : Patrick
Kode Mata pelajaran : MP021
Mata Pelajaran : Matematika
Jurusan : OTO
Semester : V
Kelas : XII
Tabel 3.29. Kode Guru GU021
Hari
I. 16.30-17.30
II. 17.30-18.30 Anton
III. 18.30-19.30 Budi
IV. 19.30-20.30 Raka
V. 20.30-21.30 Susi
v. Kode guru : GU022
Nama guru : Qila
Kode Mata pelajaran : MP022
Mata Pelajaran : Bahasa Inggris
Jurusan : OTO
Semester : V
Kelas : XII
Tabel 3.30. Kode Guru GU022
Hari
II. 17.30-18.30 Cinntia
III. 18.30-19.30 Susi
IV. 19.30-20.30
V. 20.30-21.30 Raka
w. Kode guru : GU023
Nama guru : Rara
Kode Mata pelajaran : MP023
Mata Pelajaran : Bahasa Indonesia
Jurusan : OTO
Semester : V
Kelas : XII
Tabel 3.31. Kode Guru GU023
Hari
I. 16.30-17.30
II. 17.30-18.30 Budi
III. 18.30-19.30 Anton
IV. 19.30-20.30
V. 20.30-21.30 Cintia
x. Kode guru : GU024
Nama guru : Sandi
Kode Mata pelajaran : MP024
Mata Pelajaran : Bahasa Daerah
Jurusan : OTO
Kelas : XI
Tabel 3.32. Kode Guru GU024
Hari
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
y. Kode guru : GU025
Nama guru : Tuti
Kode Mata pelajaran : MP025
Mata Pelajaran : Pendidikan Agama
Jurusan : OTO
Semester : I
Kelas : X
Tabel 3.33. Kode Guru GU025
Hari
I. 16.30-17.30
II. 17.30-18.30 Raka
III. 18.30-19.30 Anton
IV. 19.30-20.30
3.3.5 Pembangkitan Populasi Awal
Pada proses pembangkitan populasi awal dilakukan dengan membangkitan
populasi penelitian yakni kesiapan guru untuk memberikan materi E-learning pada
siswa yang telah diinisialisasi. Populasi awal dibangkitkan secara acak dalam arti
setiap kromosom boleh ditampilkan tanpa urutan yang ditentukan dengan tidak
memperhatikan kesiapan mengajar, admin tersedia, kesiapan hari dan kesiapan
shift. Pembangkitan populasi awal dapat digambarkan dalam tabel berikut:
Tabel 3.34. Pembangkitan Populasi Awal
Kode
Mapel Juru san
GU002 Mustika Rani
GU002 Mustika Rani
GU002 Mustika Rani
GU002 Mustika Rani
Jamil daerah (1)
MP005 Pendidikan Agama
MP005 Pendidikan Agama
MP005 Pendidikan Agama
MP005 Pendidikan Agama
MP005 Pendidikan Agama
GU010 Eli MP010 Sejarah OTO 1 Anton Kamis
GU015 Jaja MP005 Pendidikan
Agama
OTO III Cintia Rabu
(3)
I
GU015 Jaja MP005 Pendidikan
(2)
GU025 Tuti MP005 Pendidikan
Agama
OTO V Raka Sabtu
(6)
II
GU025 Tuti MP005 Pendidikan
Agama
OTO V Anton Sabtu
(6)
III
3.3.6 Evaluasi
Proses selanjutnya setelah pembangkitan awal populasi adalah proses
evaluasi, dimana kesiapan guru dalam memberikan materi pada E-learning yang
dibangkitkan diatas dievaluasi dengan menjumlahkan kesiapan memberikan
Tabel 3.35. Evaluasi
No Kode Guru Kode Mapel Jumlah Kesiapan
1 GU001 MP001 2
2 GU002 MP002 5
3 GU003 MP003 5
4 GU004 MP004 6
5 GU005 MP005 6
6 GU006 MP006 3
7 GU007 MP007 3
8 GU008 MP008 2
9 GU009 MP009 3
10 GU010 MP010 3
11 GU011 MP001 3
12 GU012 MP002 2
13 GU013 MP003 4
14 GU014 MP004 2
15 GU015 MP005 2
16 GU016 MP006 4
17 GU017 MP007 4
18 GU018 MP008 3
19 GU019 MP009 1
20 GU020 MP010 2
21 GU021 MP001 4
22 GU022 MP002 3
23 GU023 MP003 3
24 GU024 MP004 1
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Penelitian 4.1.1 Optimasi Query
Bahasa query dalam web pembelajaran SMK Barumun adalah sebagai berikut :
SELECT * FROM `tb_admin` WHERE hari=1
SELECT * FROM `tb_guru` WHERE hari=1
SELECT * FROM `tb_matapelajaran` WHERE hari=1
SELECT * FROM `tb_siswa` WHERE hari=1
SELECT * FROM `tb_jadwal` WHERE hari=1
SELECT * FROM `tb_porsi` WHERE hari=1
SELECT * FROM `tb_waktu` WHERE hari=1
Query tersebut meminta semua record dari basis data yang sedang
digunakan. Optimasi query yang dilakukan dalam web pembelajaran ini adalah
sebagai berikut:
Query 1: Untuk setiap pembelajaran yang diberikan pada hari senin, diambil id,
jam, hari, nama guru, kelas, dan mata pelajaran.
Maka dapat digambarkan :
Π PId, jam, hari : (σPlocation=tb_waktu(PROJECT))
Nguru=Nama_guru(tb_guru) Kkelas=kelas(tb_kelas)
Persamaan ini mengikuti SQL query berikut:
FROM PROJECT AS P, Nama_guru AS N, Kelas AS K
WHERE P.id=N.Nama-Guru AND
N.hari=K.kelas AND P.Location=’tb_waktu’ Maka Proses Parsing nya adalah sebagai berikut :
a. Query tree yang sesuai dengan ekspresi relasi aljabar untuk Optimasi query
dilihat pada gambar 4.1
Π P.Pid, N.nama_guru, K.kelas, N.hari, N.jam
(3)
N.hari=K.kelas σ (2)
P.ID=N.namaguru (P) (K) (1)
σ P.PLOCATION='tb_waktu' (N)
(P)
b. Inisial ( Canonical) query tree untuk SQL query pada optimasi ini dilihat pada
gambar 4.2
Π P.id, P.nama_guru, K.kelas, N.hari, N.jam
σ P.nama_guru=N.nama_guru And K.kelas=N.hari And P.PLocation=’ tb_waktu’
X
X K
P N
c. Query graph untuk optimasi query ini dapat dilihat gambar 4.3
[P.P.id, P.nama_guru] [N.hari,N.Jam,]
(P) (D) (E)
P.PLocation=’tb_waktu’
Gambar 4.3 Query Graph
4.1.2 Mutasi Crossover
a. M2S (Modified Two Swap) Crossover
1) Seleksi
Proses setelah evaluasi adalah melakukan rekombinasi dengan mutasi crossover.
Pada metode M2S langkah awal adalah membuat seleksi dimana kesiapan guru
dalam memberikan materi pada E-learning SMK akan dilakukan seleksi
berdasarkan hari dan shift waktu yang telah ditetapkan. Proses seleksi bertujuan
untuk menentukan kesiapan guru mana yang sesuai untuk memberikan materi
E-learning pada admin yang tersedia. Seleksi yang penulis gunakan adalah dengan
cara mengurutkan kesiapan guru dalam memberikan materi E-lerning menurut
nilai objektifnya (banyaknya kesiapan guru).
Penerapan untuk contoh dalam proses seleksi diatas, dapat dilihat pada
memberikan materi E-learning dengan hari = senin dan shift = l (16.30-17.30)
yang diurutkan secara naik berdasarkan banyaknya kesiapan guru.
Tabel 4.1 Seleksi M2S Crossover
Kode
Mapel Juru san
GU002 Mustika Rani
MP005 Pendidikan Agama
dalam memberikan materi E-learning sebanyak admin yang tersedia sebagai
penginput data dan akan disimpan pada sebuah tabel jadwal. Proses ini
menyebabkan populasi (kesiapan guru) terhadap admin berkurang menjadi hanya
5 (lima) dan mengalami rekombinasi. Rekombinasi juga terjadi terhadap proses
seleksi untuk hari dan shift berikutnya terhadap kesiapan guru dalam memberikan
materi E-learning (seleksi(l ,II) dan seterusnya). Tabel dibawah ini merupakan
hasil dari mutasi diatas dimana terjadi kesamaan pemberian materi pada satu
admin di hari dan shif yang sama maka dimutasi sehingga terpilih hanya 4 (empat)
Tabel 4.2 Jadwal Generasi 1 M2S Crossover
Mapel Juru san
GU002 Mustika Rani
MP005 Pendidikan Agama
4.1.3 CHUNK Crossover
1) Seleksi Chunk
Pada metode Chunk crossover proses setelah evaluasi adalah melakukan
rekombinasi dengan mutasi CHUNK crossover. Pada metode ini langkah awal
adalah membuat seleksi dimana kesiapan guru dalam memberikan materi pada
E-learning SMK akan dilakukan seleksi berdasarkan hari yang telah ditentukan dan
semua shift waktu. Proses seleksi ini juga bertujuan untuk menentukan kesiapan
guru mana yang sesuai untuk memberikan materi E-learning pada admin yang
tersedia. Penerapan untuk contoh dalam proses seleksi dengan CHUNK crossover,
dapat dilihat pada Tabel di bawah ini, yakni seleksi (1,) : menampilkan semua
kesiapan guru dalam memberikan materi E-learning dengan hari = senin dan shift
Tabel 4.3 Seleksi CHUNK Crossover
Mapel Juru san
GU002 Mustika Rani
GU002 Mustika Rani
MP005 Pendidikan Agama
MP005 Pendidikan Agama
2) Mutasi Chunk crossover
Pada metode Chunk crossover, dari proses seleksi diatas, diambil kesiapan guru
dalam memberikan materi E-learning kepada admin sebanyak admin yang tersedia
sebagai penginput data dan akan disimpan pada sebuah tabel jadwal. Proses ini
menyebabkan populasi (kesiapan guru) memebrikan materi kepada admin dari
tabel diatas berkurang menjadi 17 (tujug belas) populasi dan mengalami
rekombinasi. Rekombinasi juga terjadi terhadap proses seleksi untuk hari dan shift
berikutnya terhadap kesiapan guru dalam memberikan materi E-learning (seleksi(l
,II) dan seterusnya). Dalam tabel dibawah ini terlihat proses mutasi dimana
kesiapan guru memberikan materi kepada admin dipilih menjadi 13 populasi yang
terseleksi di generasi 1.
Tabel 4.4 Jadwal Generasi 1 Chunk Crossover Kode
Mapel Juru san
GU002 Mustika Rani
MP005 Pendidikan Agama
GU002 Mustika Rani
MP005 Pendidikan Agama
GU011 Fadly MP001 Matematika OTO III Budi Senin
4.2 Pembahasan Hasil Pengujian
Sesuai rancangan penelitian yang penulis lakukan dengan menguji hasil optimasi
query database dalam web pembelajaran SMK N 1 Barumun dan untuk menganalisa perbandingan antara optimasi dengan metode M2S Crossover dan optimasi dengan metode CHUNK Crossover dengan parameter-parameter sebagai berikut:
Ukuran populasi = 50
Maksimum generasi = 100
Probabilitas crossover (Pc) = 10,20,30,40,50
Probabilitas mutasi (Pm) = 7
Dengan hasil pengujian sebagai berikut:
Hasil pengujian lengkap perbandingan metode M2S crossover dengan CHUNKs
crossover dijelaskan dalam tabel berikut:
Tabel 4.5 Hasil Pengujan M2S Crossover
40 50 100 7 1,915
50 50 100 7 2,082
Fitness Rata-rata 1,7308
Tabel 4.6 Hasil Pengujan CHUNK Crossover
Probabilitas Crossover
Kromosom yang
dibangkitkan
Maksimum Generasi
Probability Mutasi
Akumuatif Fitness
10 50 100 7 1,530
20 50 100 7 1,316
30 50 100 7 1,915
40 50 100 7 1,292
50 50 100 7 1,575
Fitness rata-rata 1,5256
Berdasarkan hasil pengujian pada tabel diatas dapat dilihat bahwa nilai
fitness pengujian dengan metode M2S cross over adalah lebih tinggi pada setiap
probability crossovernya yakni pada nilai probabilitas 10, 20, 30, 40 dan 50
dibanding dengan CHUNK crossover, dimana masing-masing kromosom yang
dibangkitkan 50 dan maksimum generasi 100. Nilai fitness tertinggi pada metode
m2s adalalah pada probabilitas 50 dengan nilai fitness 2,082. Sedangkan pada
metode CHUNK, nilai fitness tertinggi ada pada probabilitas 30 dengan nilai
fitness 1,915. Nilai fitness rata-rata pada probabilitas 10,20,30,40 dan 50 untuk
metode M2S adalah 1,7308. Sedangan nilai fitness rata-rata untuk metode
CHUNK cross over adalah 1,5256. Sehingga selisih fitness rata-rata metode M2S
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil penelitian dan analisa pembahasan yang peneliti lakukan, maka
dapat ditarik kesimpulan sebagai berikut:
1. Optimasi query database web E-learning SMK Baramun adalah memindahkan
tiap operasi SELECT sejauh mungkin ke bawah query tree selama diperbolehkan oleh attribute-attribute dalam kondisi SELECT
2. Optimasi query database dalam web pembelajaran SMK N 1 Barumun dapat meningkatkan performa aplikasi dengan nilai optimum dan tidak membutuhkan
banyak iterasi.
3. Metode terbaik untuk permasalahan optimasi query database web SMK
Barumun pada percobaan yang dilakukan antara Metode M2S crossover dengan CHUNK crossover adalah metode M2S crossover dengan nilai fitness yang lebih tinggi dan waktu yang lebih cepat.
5.2 Saran
Dari penelitian yang telah dilakukan oleh peneliti, maka saran-saran yang bisa
diberikan adalah:
1. Diharapkan setiap database pada web sekolah dilakukan optimasi.
2. Sebaiknya metode optimasi yang digunakan menggunakan metode M2S
3. Bagi peneliti lain, kiranya dapat dilakukan lagi penelitian sejenis yakni tentang
optimasi database dengan metode optimasi lainnya sebagai perbandingan