Analisa Optimasi Query Database Dalam Pembelajaran Berbasis Web Di SMK Negeri 1 Barumun Dengan Metode M2s Crossover Dan Chunk Crossover Chapter III VI

(1)

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.

(2)

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

(3)

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

(4)

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

(5)

= 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)

(6)

= 0.0294

= 1 / 11

= 0.0909

= 1 / 14

= 0.0714

= 1 / 47

= 0.0212

= 1 / 25

= 0.0400

= 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

(7)

= 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

(8)

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

(9)

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 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

(10)

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

(11)

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

(12)

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.

(13)

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.

(14)

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.

(15)

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

(16)

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

(17)

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

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

(18)

Mata Pelajaran : Bahasa indonesia

Jurusan : OTO

Semester : I

Kelas : X

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

Mata Pelajaran : Bahasa Daerah

Jurusan : OTO

Semester : I

Kelas : X

Hari

I. 16.30-17.30 Anton Cintia II. 17.30-18.30

(19)

IV. 19.30-20.30 Raka Anton V. 20.30-21.30

e. Kode guru : GU005

Nama guru : Eka Dinavia

Mata Pelajaran : Pendidikan Agama

Jurusan : OTO

Semester : I

Kelas : X

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

Mata Pelajaran : Kimia

Jurusan : OTO

Semester : I

(20)

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

Mata Pelajaran : Fisika

Jurusan : OTO

Semester : I

Kelas : X

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

(21)

Mata Pelajaran : Komputer

Jurusan : OTO

Semester : I

Kelas : X

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

Mata Pelajaran : Seni Budaya

Jurusan : OTO

Semester : I

Kelas : X

Hari

(22)

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

Mata Pelajaran : Sejarah

Jurusan : OTO

Semester : I

Kelas : X

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

(23)

Semester : III

Kelas : XI

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

Mata Pelajaran : Bahasa Inggris

Jurusan : OTO

Semester : III

Kelas : XI

Hari

I. 16.30-17.30

II. 17.30-18.30

III. 18.30-19.30

IV. 19.30-20.30

(24)

m.Kode guru : GU013

Nama guru : Hari

Mata Pelajaran : BahasaIndonesia

Jurusan : OTO

Semester : III

Kelas : XI

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

Mata Pelajaran : Bahasa daerah

Jurusan : OTO

Semester : III

Kelas : XI

(25)

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

Jurusan : OTO

Semester : III

Kelas : XI

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

(26)

Mata Pelajaran : Kimia

Jurusan : OTO

Semester : III

Kelas : XI

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

Mata Pelajaran : Fisika

Jurusan : OTO

Semester : III

Kelas : XI

Hari

I. 16.30-17.30

II. 17.30-18.30 Raka Susi

(27)

IV. 19.30-20.30 Anton

V. 20.30-21.30 Budi

r. Kode guru : GU018

Nama guru : Mirna

Mata Pelajaran : komputer

Jurusan : OTO

Semester : III

Kelas : XI

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

Mata Pelajaran : Seni Budaya

Jurusan : OTO

(28)

Kelas : XI

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

Mata Pelajaran : Sejarah

Jurusan : OTO

Semester : III

Kelas : XI

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

(29)

Nama guru : Patrick

Jurusan : OTO

Semester : V

Kelas : XII

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

Mata Pelajaran : Bahasa Inggris

Jurusan : OTO

Semester : V

Kelas : XII

Hari

(30)

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

Mata Pelajaran : Bahasa Indonesia

Jurusan : OTO

Semester : V

Kelas : XII

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

Mata Pelajaran : Bahasa Daerah

Jurusan : OTO

(31)

Kelas : XI

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

Jurusan : OTO

Semester : I

Kelas : X

Hari

I. 16.30-17.30

II. 17.30-18.30 Raka

III. 18.30-19.30 Anton

IV. 19.30-20.30

(32)

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

(33)

Jamil daerah (1)

(34)

GU010 Eli MP010 Sejarah OTO 1 Anton Kamis

GU015 Jaja MP005 Pendidikan

Agama

OTO III Cintia Rabu

(3)

I

GU015 Jaja MP005 Pendidikan

(35)

(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

(36)

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

(37)

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))

N_{guru=Nama_guru(tb_guru) Kkelas=kelas(tb_kelas)}

Persamaan ini mengikuti SQL query berikut:

(38)

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)

(39)

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

(40)

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

(41)

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

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)

(42)

Tabel 4.2 Jadwal Generasi 1 M2S Crossover

Mapel Juru san

GU002 Mustika Rani

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

(43)

Tabel 4.3 Seleksi CHUNK Crossover

Mapel Juru san

GU002 Mustika Rani

(44)

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

(45)

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

(46)

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

(47)

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

(48)

3. Bagi peneliti lain, kiranya dapat dilakukan lagi penelitian sejenis yakni tentang

optimasi database dengan metode optimasi lainnya sebagai perbandingan