BAB 1 PENDAHULUAN
1.1 Latar Belakang Masalah
Dasar algoritma particle swarm optimization yaitu segerombolan partikel terdiri dari "n" partikel, dan posisi masing-masing partikel untuk mencari solusi potensial dalam ruang D-dimensi. Partikel mengubah kondisinya sesuai dengan tiga prinsip berikut: a. menjaga inersia (kecenderungan semua benda fisik untuk mengolah perubahan terhadap keadaan geraknya), b. untuk mengubah kondisi sesuai dengan posisi yang paling optimal, c. untuk mengubah kondisi sesuai dengan posisi kawanan yang paling optimal. Setiap partikel dapat ditunjukkan oleh kecepatan dan posisi, posisi yang paling optimal dari setiap individu dan posisi yang paling optimal dari sekitarnya (Bai, 2010).
2
satu bagian makanan di daerah yang sedang dicari. Tidak semua burung tahu di mana makanan. Tapi semua burung tahu seberapa jauh untuk pergi untuk mencari makanan. Jadi apa strategi terbaik untuk menemukan makanan? Maka yang efektif adalah dengan mengikuti burung yang terdekat dengan makanan (Hu, 2002). Penelitian (L. F. Hsieh
et. al, 2007) dibandingkan dengan ant system dalam menemukan solusi optimal dalam
rute perencanaan, hasil empiris menunjukkan bahwa dengan menerapkan PSO telah kita capai kualitas optimal dalam jangka waktu yang diperlukan dalam cara yang efisien, kemudian mengusulkan menggunakan GA untuk menemukan solusi awal, dan menerapkan PSO untuk menemukan solusi optimal. Penelitian (Raisha AR, et. al, 2012) Algoritma Particle Swarm Optimization (PSO) sebagai algoritma untuk penyelesaian masalah optimasi dengan proses pembangkitan posisi dan velocity awal, update velocity dan update posisi sebagai 3 tahapan utamanya sehingga didapatkan solusi berupa jadwal kuliah.
Algoritma genetika (Genetic Algorithms) merupakan tipe Algoritma Evolusi yang paling popular. Algoritma genetika berkembang seiring dengan perkembangan teknologi informasi yang sangat pesat. Karena kemampuannya untuk menyelesaikan berbagai masalah kompleks, algoritma ini banyak digunakan dalam bidang fisika, biologi, ekonomi, sosiologi dan lain-lain yang sering menghadapi masalah optimasi yang model matematikanya kompleks atau bahkan sulit dibangun. Dalam bidang industri manufaktur. Pada penelitian (Mahmudy et. al, 2013b) Algoritma genetika digunakan untuk perencanaan dan penjadwalan produksi. Pada penelitian (Ciptayani et. al, 2009) Algoritma genetika juga bisa diterapkan untuk kompresi citra. Pada penelitian (Mahmudy, 2006) Algoritma genetika digunakan untuk optimasi penugasan mengajar bagi dosen. Pada penelitian (Mawaddah & Mahmudy, 2006) Algoritma genetika digunakan untuk penjadwalan dan alokasi ruang ujian. Pada penelitian (Liliana & Mahmudy, 2006) Algoritma genetika digunakan untuk optimasi penjadwalan kuliah. Pada penelitian (Mahmudy, 2008a) Algoritma genetika digunakan untuk optimasi multi
travelling salesman problem (M-TSP), dan penyusunan rute dan jadwal kunjungan
3
simulated annealing (SA), tabu search (TS), dan genetic algorithm (GA). Penelitian
(Rosca, 2001) menggunakan genetic algorithm untuk menyusun jadwal ruangan pada Universitas Bridgeport, hasil yang diperoleh dengan menggunakan uji coba 30 mata kuliah dan 6 ruangan, dihasilkan jadwal ruangan yang layak setelah 10 sampai 15 generasi.
Alokasi dan penentuan dosen merupakan salah satu elemen penting dalam menyusun jadwal kuliah di sebuah kampus. Selain itu juga merupakan permasalahan umum yang selalu menjadi beban bagi bagian kurikulum di kampus tersebut. Dengan keterbatasan jumlah dosen yang ada bagian program studi dituntut agar tetap bisa memenuhi kebutuhan pelayanan kepada mahasiswa khususnya kelas-kelas yang ada. Permasalahan tersebut merupakan masalah yang kompleks karena berhubungan dengan jumlah dosen dan jumlah kelas yang ada. Sebenarnya permasalahan yang dihadapi hampir di semua kampus adalah belum ada suatu sistem komputasi yang dibuat agar dapat dipergunakan untuk menyusun jadwal kuliah. Hal ini juga banyak dialami oleh kampus-kampus yang dalam segi kebutuhan dosen kurang memenuhi dan juga program penjadwalan masih dilakukan dengan cara manual oleh pihak kampus. Hasil yang diharapkan oleh pihak kampus adalah berupa jadwal kuliah berserta dosen dimasing-masing kelas. Selama ini penjadwalan dosen mengajar hampir di semua kampus masih menggunakan cara konvensional. Hal ini tidak mudah dan membutuhkan pengaturan yang rumit, karena masing-masing dosen tidak bisa bersamaan jadwal mengajarnya dan tidak mungkin 1 (satu) orang dosen mengajar lebih dari 1 (satu) kelas pada saat yang sama dalam satu waktu. Hal ini sangat mengganggu keefektifan waktu belajar mahasiswa dan keefektifan dosen mengajar. Ada beberapa aspek yang dapat ditinjau dalam menentukan jadwal mengajar dosen dalam satu kampus diantaranya adalah: Jumlah dosen tiap-tiap bidang studi, jumlah kelas, hari bertugas dosen, jumlah jam dosen dan sebagainya. Berdasarkan latar belakang masalah maka penulis tertarik
mengangkat judul penelitian ini yaitu “Perbandingan Model Particle Swarm
Optimizationdan Algoritma Genetika Pada Penjadwalan Perkuliahan”.
1.2 Rumusan Masalah
Adapun rumusan masalah dalam penelitian ini adalah sebagai berikut:
4
proses kerja algoritma particle swarm optimization (PSO) dan algoritma genetika dalam mencapai iterasi (generasi) terbaik terhadap penjadwalan perkuliahan.
1.3 Tujuan Penelitian
Tujuan penelitian yang akan dicapai adalah:
1. Mengetahui tingkat kestabilan (stability) antara algoritma particle swarm
optimization (PSO) dan algoritma genetikadalam mencapai iterasi (generasi)
terbaik pada penjadwalan perkuliahan.
2. Menganalisis proses kerja algoritma particle swarm optimization dan algoritma genetika terhadap penjadwalan perkuliahan.
1.4 Batasan Masalah
Agar penelitian ini lebih fokus maka objek kajian akan dibatasi sebagai berikut: 1. Algoritma yang digunakan adalah particle swarm optimization dan algoritma
genetika.
2. Masalah yang akan diteliti tentang penjadwalan perkuliahan.
3. Dalam pembuatan jadwal perkuliahan atribut yang digunakan adalah dosen (tenaga pengajar), ruangan, grup mahasiswa, dan mata kuliah.
4. Sistem penjadwalan ini hanya untuk program studi dengan kelas regular.
1.5 Manfaat Penulisan
Melalui penelitian ini penulis mengetahui tingkat kestabilan (stability) antara algoritma
particle swarm optimization (PSO) dan algoritma genetika dalam mencapai iterasi
