APLIKASI PEMBAGIAN KELOMPOK KELAS MENGGUNAKAN
ALGORITMA GENETIK PADA SMA BUDI MULIA TANGERANG
Windarto1) Fajrianto Burhan2)
Fakultas Teknologi Informasi, Universitas Budi Luhur, Jakarta
windarto@ymail.com1) fajriantoburhan@yahoo.com2)
Abstract:
The distribution students into the classes in a school is a fairly complex problem and repeated annually. This activity is usually done manually and takes a long time to compile it. Moreover, a review of the classes which had been distributed typically performed many times due to some factors and certain parameters. For this reason, the authors propose an effective solution using genetic algorithm as intelligent system as a core to compile the distribution of the classes which is a sub part of artificial intelligence. Genetic algorithm is a search algorithm based on the mechanism of natural selection and genetics. Using the original data from any existing direction, this system will not have difficulty in making the distribution of the classes and of course have a much better performances when compared to the drafting classes group which generated manually. The system also comes with an elegant and easy to use so that users in this administrative staff can feel comfortable. With the application of intelligent applications for the distribution of the classes will automatically minimizes data input errors that humans often do, and can speed up the processing time distribution of class groups.
Keywords: algoritma genetik, kecerdasan tiruan, pembagian kelompok kelas.
1.
Pendahuluan
Penyusunan kelompok belajar untuk setiap siswa/siswi pada suatu sekolah selalu dilakukan bersamaan dengan kegiatan kenaikan kelas dan penerimaan siswa/siswi baru. Setiap kelompok belajar terdiri dari beberapa siswa/siswi yang dipilih dengan mempertimbangkan beberapa faktor, seperti kemampuan akademis, jenis kelamin, kapasitas ruang kelas, kesamaan nama, program studi yang diambil dan sebagainya. Penyusunan kelompok belajar ini cukup penting karena adanya beberapa manfaat seperti keharmonisan dan keseimbangan suasana belajar pada suatu kelas, memperkuat persaingan antar kelas, meningkatkan kemampuan bersosialisasi siswa dan sebagainya. Hampir setiap sekolah telah memiliki sistemnya sendiri dalam melakukan penyusunan kelompok belajar walaupun masih dilakukan secara manual atau semi komputerisasi.
Berdasarkan latar belakang tersebut, maka perumusan masalah yang dapat diajukan adalah adalah bagaimana menerapkan Algoritma Genetik agar dapat digunakan untuk melakukan pembagian kelompok kelas sehingga proses pembagian kelompok dapat berjalan dengan lebih cepat. Berdasarkan perumusan masalah yang telah dikemukakan, maka tujuan dari penulisan ini adalah untuk memberikan gambaran tentang pengimplementasian sistem penyusunan kelompok belajar berbasis Algoritma Genetik. Adapun ruang lingkup dalam penelitian ini adalah pada pengembangan aplikasi pembagian kelompok untuk siswa baru dan siswa yang masih aktif, sementara itu yang menjadi parameter dalam proses pembagian kelompok tersebut adalah jenis kelamin, nilai rata-rata, keakuratan dalam penyusunan kelompok, dan teknik penyusunan yang digunakan.
2.
Landasan Teori
2.1
Algoritma GenetikAlgoritma Genetik pertama kali dikembangkan oleh John Holland dari Universitas Michigan pada tahun 1975. John Holland menyatakan bahwa setiap masalah yang berbentuk adaptasi (alami maupun buatan) dapat diformulasikan ke dalam terminologi genetik. Algoritma Genetik adalah proses simulasi dari proses evolusi Darwin dan operasi genetik atas kromosom [8].
Tabel 1: Perbandingan Istilah pada Sistem Alamiah dengan Algoritma Genetik Sistem Alamiah Algoritma Genetik
Kromosom String
Gen Fitur, Karakter atau Detektor Allel Nilai Fitur
Locus Posisi String Genotip Struktur
Fenotip Set Parameter, Solusi Alternatif, Struktur yang di-decode Epitasis Non Linieritas
Beberapa definisi penting dalam Algoritma Genetik, yaitu:
a. Genotype (gen) adalah sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam Algoritma Genetik, gen ini bisa berupa nilai biner, float, integer, maupun karakter.
b. Allel adalah nilai dari gen.
c. Kromosom adalah gabungan dari gen-gen yang membentuk nilai tertentu.
d. Individu menyatakan satu nilai dari keadaan yang menyatakan salah satu siklus proses evolusi.
e. Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi. f. Generasi menyatakan satuan siklus proses evolusi.
g. Nilai fitness menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan.
Algoritma Genetik secara umum dapat diilustrasikan dalam diagram alir yang dapat dilihat pada gambar berikut:
Gambar 1: Diagram Alir Algoritma Genetik
Struktur umum dari suatu Algoritma Genetik dapat didefinisikan dengan langkah-langkah sebagai berikut: 1) Membangkitkan populasi awal
Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi itu sendiri terdiri dari sejumlah kromosom yang mempresentasikan solusi yang diinginkan.
2) Membentuk generasi baru
Dalam membentuk generasi baru digunakan tiga operator yaitu operator reproduksi/seleksi, crossover, dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru.
3) Evaluasi solusi
Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi langkah 2. Beberapa kriteria berhenti yang sering digunakan antara lain:
a) Berhenti pada generasi tertentu.
b) Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak berubah. c) Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi.
Komponen-komponen utama Algoritma Genetik [8]: 1) Teknik pengkodean
Pengkodean adalah suatu teknik untuk menyatakan populasi awal sebagai calon solusi suatu masalah ke dalam suatu kromosom sebagai suatu kunci pokok persoalan ketika menggunakan Algoritma Genetik [2]. Teknik pengkodean ini meliputi pengkodean gen dan kromosom. Gen merupakan bagian dari kromosom. Satu gen biasanya akan mewakili satu variable. Gen dapat direpresentasikan dalam bentuk string bit, pohon, array bilangan real, daftar aturan, elemen permutasi, elemen program, atau representasi lainnya yang dapat diimplementasikan untuk operator genetik.
2) Prosedur inisialisasi
Ukuran populasi tergantung pada masalah yang akan dipecahkan dan jenis operator genetik yang akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian harus dilakukan inisialisasi terhadap kromosom yang terdapat pada populasi tersebut. Inisialisasi kromosom dilakukan secara acak, namun demikian harus tettap memperhatikan domain solusi dan kendala permasalahan yang ada.
3) Evaluasi fitness
Evaluasi fitness merupakan dasar untuk proses seleksi. Langkah-langkahnya yaitu string dikonversi ke parameter fungsi, fungsi objektifnya dievaluasi, kemudian mengubah fungsi objektif tersebut ke dalam fungsi fitness. Dimana untuk maksimalisasi problem, fitness sama dengan fungsi objektifnya. Output dari fungsi fitness dipergunakan sebagai dasar untuk menseleksi individu pada generasi berikutnya. Untuk permasalahan minimalisasi, nilai fitness
Keterangan:
A : Konstanta yang ditentukan X : Individu (kromosom)
ℯ : Bilangan kecil yang ditentukan untuk menghindari pembagi nol atau f(x) = 0 4) Seleksi
Seleksi ini bertujuan untuk memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang paling baik. Ada beberapa metode seleksi dari induk, antara lain:
a) Rank-based fitness assignment
b) Roulette wheel selection
c) Stochastic universal sampling
d) Truncation selection
e) Tournament selection
5) Operator genetik
Operator genetik terdiri dari crossover dan mutasi. Crossover (perkawinan silang) bertujuan menambah keanekaragaman string dalam satu populasi. Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam suatu kromosom.
6) Penetuan parameter kontrol Algoritma Genetik
Kontrol parameter genetik diperlukan untuk mengendalikan operator-operator seleksi. Pemilihan parameter genetik menentukan penampilan kinerja Algoritma Genetik dalam memecahkan masalah. Ada dua parameter dasar dari Algoritma Genetik, yaitu probabilitas crossover (pc) dan probabilitas mutasi (pm).
Probabilitas crossover menyatakan seberapa sering proses crossover akan terjadi antara dua kromosom orang tua. Jika tidak terjadi crossover, satu orang tua dipilih secara random dengan probabilitas yang sama dan di duplikasi menjadi anak. Jika terjadi crossover, keturunan dibuat dari bagian-bagian kromosom orang tua. Jika probabilitas crossover 100% maka keseluruhan keturunan dibuat dengan crossover. Jika probabilitas crossover 0% maka generasi baru dibuat dari salinan kromosom-kromosom dari populasi lama yang belum tentu menghasilkan populasi yang sama dengan populasi sebelumnya karena adanya penekanan selektif. Probabilitas mutasi menyatakan seberapa sering bagian-bagian kromosom akan dimutasikan. Jika tidak ada mutasi, keturunan diambil/disalin langsung setelah crossover tanpa perubahan. Jika mutasi dilakukan, bagian-bagian kromosom dibuah. Jika probabilitas mutasi 100%, keseluruhan kromosom diubah. Jika probabilitas mutasi 0%, kromosom tidak ada yang diubah.
Probabilitas mutasi dalam Algoritma Genetik seharusnya diberi nilai yang kecil. Umumnya, probabilitas mutasi diset untuk mendapatkan rata-rata satu mutasi per kromosom, yaitu angka/allel = 1/panjang kromosom. Kemudian, hasil yang sudah pernah dicoba menunjukkan bahwa angka probabilitas terbaik adalah antara 0,5% sampai 1%. Hal ini karena tujuan mutasi adalah menjaga perbedaan kromosom dalam populasi, untuk menghindari konvergensi premature. Parameter lain yang juga ikut menentukan efisiensi kinerja Algoritma Genetik adalah ukuran populasi (popsize), yaitu banyaknya kromosom dalam satu populasi. Jika terlalu sedikit kromosom dalam populasi, Algoritma Genetik mempunyai kemungkinan sedikit untuk melakukan crossover dan hanya sebagian kecil dari ruang pencarian yang dieksplorasi. Sebaliknya, jika terlalu banyak jumlah kromosom, Algoritma Genetik cenderung menjadi lambat dalam menentukan solusi [2].
Ada beberapa rekomendasi yang bisa digunakan dalam kontrol Algoritma Genetik, antara lain: (a) Untuk permasalahan yang memiliki kawasan solusi cukup besar, De Jong merekomendasikan untuk nilai parameter kontrol: (popsize; pc; pm) = (50; 0,6; 0,001). (b) Bila rata-rata fitness setiap generasi digunakan sebagai indikator, maka Greferstette merekomendasikan: (popsize; pc; pm) = (30; 0,95; 0,01). (c) Bila fitness dari individu terbaik dipantau pada setiap generasi, maka usulannya adalah: (popsize; pc; pm) = (80; 0,45; 0,01). (d) Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang jenis permasalahan.
3.
Rancangan Sistem dan Aplikasi
3.1 Indentifikasi dan Pemecahan Masalah
Kemudahan dalam melakukan pembagian kelompok kelas merupakan hal yang sangat penting bagi staf Tata Usaha SMA Budi Mulia. Sebelumnya pembagian kelompok kelas dilakukan dengan cara manual yang membutuhkan waktu cukup lama untuk mengurutkan satu persatu dan membagi kelas dengan memilih salah satu siswa dengan memperhatikan beberapa parameter seperti nilai dan yang lainnya sehingga kemungkinan kesalahan pada manusia sangat besar sehingga perolehan data menjadi tidak akurat dan hasil informasi menjadi tidak jelas. Solusi dari permasalahan tersebut dapat diatasi dengan mengembangkan sistem pembagian kelompok kelas menggunakan Algoritma Genetik. Dengan adanya sistem ini diharapkan staf tata usaha dapat melakukan pembagian kelompok kelas dengan lebih cepat dan mudah.
3.2 Logical Record Structure
Gambar 2: Logical Record Structure 3.3 Flowchart Algoritma Genetik
Gambar dibawah ini merupakan flowchart Algoritma Genetik yang digunakan pada penyusunan kelompok kelas di SMA Budi Mulia Tangerang.
Gambar 3: Flowchart Algoritma Genetik
3.4 Tampilan Layar
Berikut ini adalah tampilan layar dari aplikasi pembagian kelompok kelas pada SMA Budi Mulia Tangerang, mulai dari form master siswa (gambar 4) dimana fungsinya adalah untuk menginputkan seluruh siswa pada SMA Budi Mulia Tangerang untuk kemudian dimasukkan ke dalam kelas-kelas yang ada.
Dibawah ini adalah tampilan layar dari form nilai (gambar 5). Nilai yang ada pada form ini digunakan sebagai parameter untuk membagi siswa-siswa kedalam kelas dan jurusan yang sesuai dengan syarat nilai untuk masuk ke jurusan tertentu. Sementara itu form kelompok (gambar 6) digunakan untuk memilih kelas dan memasukkan kapasitas siswa per kelas. Form buat kelompok digunakan untuk membagi siswa ke dalam kelas sesuai dengan criteria nilai dan jenis kelamin dan hasil dari buat kelompok dapat dilihat pada form Lihat Kelompok (gambar 7)
Gambar 5: Tampilan Layar Form Nilai
Gambar 6: Tampilan Layar Form Buat Kelompok
3.5 Evaluasi Program
Pada sistem pembagian kelompok kelas menggunakan Algoritma Genetik yang dikembangkan ini setelah dilakukan evaluasi program untuk menganalisa hasil yang dicapai ditemukan beberapa kelebihan dan kekurangan diantaranya adalah sebagai berikut.
a. Kelebihan Program
1) Desain antarmuka pengguna yang menarik dan mudah digunakan. 2) Aplikasi ini tidak membutuhkan persyaratan sistem yang canggih.
3) Memiliki waktu proses yang cukup cepat dan tidak membutuhkan banyak waktu. b. Kekurangan Program
1) Kesalahan inputan data siswa dan data nilai dapat memperlambat proses pembagian kelompok kelas.
4.
Kesimpulan
Sesuai dengan pembahasan mengenai sistem pembagian kelompok kelas menggunakan algoritma genetik, maka kesimpulan dan saran yang dapat diambil adalah sebagai berikut:
a. Diharapkan dengan penerapan aplikasi cerdas yang dapat membagi kelompok kelas secara otomatis akan meminimalisasikan kesalahan-kesalahan saat proses pembagian kelompok yang sering dilakukan dengan cara manual, sehingga dapat mempercepat proses pembagian kelompok kelas dan dapat menggantikan proses pembagian kelompok secara manual.
b. Penambahan fitur switch siswa sangat dibutuhkan dalam sistem ini, karena akan ada saat ketika dimana dalam suatu kelas terdapat siswa-siswa yang bermasalah sehingga mereka tidak mungkin digabung dalam satu kelas. Oleh karena itu fitur ini disarankan untuk penelitian berikutnya.
5.
Daftar Pustaka
[1] Davis, L. (1992). Hand Book of Genetic Algorithm. New York, Van Nostrand Reinhold. [2] Desiani, Anita. (2006). Konsep Kecerdasan Buatan. Yogyakarta, Andi Offset.
[3] Gen, M. Dan Cheng, R. (1997). Genetic Algoritm and Enginering Design, Ashikaga Institute of Technology Ashikaga. Japan, A Wiley-Interscience Publication, John Wiley & Sons, Inc.
[4] Golberg, D.H. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. New York, Addison-Wesley.
[5] Kusumadewi, Sri. (2003). Artificial Intelligence (Teknik & Aplikasinya). Yogyakarta, Graha Ilmu.
[6] Man, K.F., Tang, K.S., and Kwong, S. (1996). Genetic Algorithms: Conceps and Applications. IEEE Transactions on Industrial Electronics, Vol. 43, No.5, pp: 519-534.
[7] Prasetyo, Dwi, Didik. (2007). 150 Rahasia Pemrograman Java. Jakarta: Elex Media Komputindo. [8] Sutopo, Hadi, Ariestro. (2002). Analisa dan Desain Berorientasi Objek. Yogyakarta, J & J Learning.
[9] Tackett, W. A., 1994, Recombination, Selection, and the Genetic Construction of Computer Programs, Ph.D. thesis, University of Southern California, Department of Computer Engineering
