OPTIMASI PENJADWALAN MATA PELAJARAN MENGGUNAKAN

GENETIC ALGORITHM (Studi Kasus: Madrasah Tsanawiyah Negeri Bangil)

Muhammad Faris Zaini1, Nurul Hidayat2, Rekyan Regasari3
Program Studi Informatika/Ilmu Komputer
Program Teknologi Informasi dan Ilmu Komputer
Universitas Brawijaya Malang
1farizzx73@gmail.com, 2ntayadih@yahoo.com, 3rekyan.rmp@ub.ac.id
ABSTRACT
Scheduling is the process of preparing the subjects that inform the implementation schedule a
number of subjects , the teacher , space , and time of study. Please note some aspects of scheduling for
subjects that suit their needs. Aspects to be considered include the aspect of teaching teachers,
subjects taught, and does not violate the specified constraints. Manually scheduling tend to require a
longer time and accuracy are sufficient for schedulers. To be able to make optimal schedule requires
optimization methods. In this study , will be tested in the scheduling optimization methods, namely
genetic algorithms. Genetic Algorithm is a computational approach to solve the problem that is
modeled by the process of biological evolution. Genetic Algorithm parameters affecting the resulting
schedule of subjects is the number of individuals, crossover probability , mutation probability as well
as the method of selection, crossover, mutation were used . Testing was done by finding the value of
genetic algorithm parameters are optimal in the schedule of subjects. The results showed that by the
500 of generation , 30 of individuals , 30% probability of crossover and 50% probability of mutation
to produce the most optimal schedule .
Key word : optimization, subjects scheduling, genetic algorithm
ABSTRAK
Penjadwalan mata pelajaran merupakan proses penyusunan jadwal pelaksanaan yang
menginformasikan sejumlah mata pelajaran, guru yang mengajar, ruang, serta waktu
kegiatan belajar mengajar. Perlu diperhatikan beberapa aspek untuk menyusun jadwal mata
pelajaran yang sesuai dengan kebutuhan. Aspek yang perlu diperhatikan antara lain adalah
aspek dari guru pengajar, mata pelajaran yang diajar, serta tidak melanggar constraint yang
sudah ditentukan. Penyusunan jadwal secara manual cenderung membutuhkan waktu
yang lebih lama dan ketelitian yang cukup bagi pembuat jadwal. Untuk dapat membuat
jadwal yang optimal, dibutuhkan metode optimasi. Pada penelitian ini, akan diuji coba
metode optimasi dalam pembuatan jadwal mata pelajaran yaitu genetic algorithm. Genetic
Algorithm merupakan pendekatan komputasional untuk menyelesaikan masalah yang
dimodelkan dengan proses biologi dari evolusi. Parameter-parameter Genetic Algorithm
yang mempengaruhi jadwal mata pelajaran yang dihasilkan adalah jumlah individu,
probabilitas crossover, probabilitas mutation serta metode seleksi, crossover, mutation yang
digunakan. Pengujian dilakukan dengan cara mencari nilai parameter-parameter genetic
algorithm yang paling optimal dalam jadwal mata pelajaran. Hasil penelitian menunjukkan
bahwa dengan 500 jumlah generasi, 30 jumlah individu, 30% probabilitas crossover dan 50%
probabilitas mutation dapat menghasilkan jadwal yang paling optimal.
Kata kunci : optimasi, penjadwalan mata pelajaran, genetic algorithm
1.
1.1

PENDAHULUAN
Latar Belakang
Penjadwalan
mata
pelajaran
merupakan proses penyusunan jadwal
pelaksanaan yang menginformasikan
sejumlah mata pelajaran, guru yang
mengajar, ruang, serta waktu kegiatan
belajar mengajar. Pada umumnya

penyusunan jadwal mata pelajaran

dilakukan secara manual, yaitu dengan
mencari kolom mana saja yang masih
kosong, kemudian menempatkan jadwal
pada kolom tersebut [11]. Suatu jadwal di
sekolah akan sulit untuk dibuat dengan
cara seperti ini jika jumlah kelas dalam
sekolah tersebut cukup banyak dengan

jumlah tenaga pengajar yang sangat

terbatas.
Untuk menyusun jadwal mata
pelajaran yang baik, pembuat jadwal
perlu memperhatikan berbagai aspek
yang mempengaruhi jadwal mata
pelajaran tersebut. Dari aspek guru,
pembuat jadwal perlu memperhatikan
kemungkinan guru yang bersangkutan
hanya ingin mengajar suatu mata
pelajaran pada hari dan jam tertentu.
Pembuat
jadwal
juga
harus
memperhatikan
keterbatasan
guru
pengajar yang dimiliki oleh sekolah.
Pembuat
jadwal
juga
perlu
memperhatikan
dari
aspek
mata
pelajaran yang diajarkan. Sebagai contoh,
mata pelajaran matematika seharusnya
diajarkan 4 jam dalam seminggu dengan
maskimal 2 jam dalam satu hari. Selain
itu, pembuat jadwal juga perlu
memperhatikan bahwa jadwal yang
dibuat tidak ada bentrokan jam antar
pengajar satu dengan pengajar yang lain
dalam satu waktu dan kelas tertentu,
atau satu pengajar yang berada di lebih
dari satu kelas pada satu waktu tertentu.
Berdasarkan
aspek-aspek
di
atas,
seharusnya jadwal yang disusun dapat
menjadi solusi sehingga tidak ada
bentrokan
jadwal pengajar, mata
pelajaran, atau kelas yang terjadi, dan
tentunya
memenuhi
persyaratan
kegiatan belajar yang sudah ditentukan.
Oleh karena itu dibutuhkan metode
optimasi yang dapat diterapkan untuk
menyusun jadwal mata pelajaran.
Masalah
optimasi
dapat
diselesaikan dengan berbagai macam
cara,
salah
satunya
dengan
menggunakan
algoritma
pencarian
heuristik. Untuk kasus yang sederhana
digunakan algoritma pencarian heuristik
yang biasa seperti breadth-first search
dan depth-first search. Untuk input dan
persyaratan yang lebih rumit seperti
pada kasus penjadwalan mata pelajaran,
algoritma pencarian heuristik sudah
tidak dapat digunakan dengan baik
untuk
mendapatkan
solusi
yang
diinginkan. Dalam kasus penjadwalan
mata pelajaran, diperlukan algoritma

yang lebih baik yaitu algoritma yang

dapat menyelesaikan masalah multikriteria dan multi-objektif. Salah satu
algoritma yang dapat digunakan adalah
algoritma genetika [16].
Algoritma genetika merupakan
pendekatan
komputasional
untuk
menyelesaikan
masalah
yang
dimodelkan dengan proses biologi dari
evolusi [1]. Ada tiga keunggulan dari
aplikasi algoritma genetika dalam proses
optimasi. Pertama, algoritma genetika
tidak terlalu banyak memerlukan
persyaratan
matematika
dalam
penyelesaian proses optimasi. Algoritma
genetika dapat diaplikasikan pada
beberapa jenis fungsi objektif dengan
beberapa
fungsi
pembatas
baik
berbentuk linier maupun non-linier.
Kedua, operasi evolusi dari algoritma
genetika
sangat
efektif
untuk
mengobservasi posisi global secara acak.
Ketiga, algoritma genetika mempunyai
fleksibilitas untuk diimplementasikan
secara efisien pada problematika tertentu
[17].
Rosca
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 [10]. Imbar dan Jayanti juga
melakukan penelitian yang sama dan
memberikan kesimpulan bahwa dengan
menggunakan
algoritma
genetika
membuat proses penjadwalan bisa
dilakukan secara otomatis [9].
Pada
penelitian
ini
akan
diujicobakan optimasi penjadwalan mata
pelajaran di sekolah menggunakan
genetic algorithm. Diharapkan dengan
menggunakan metode ini akan dapat
membantu menyelesaikan penjadwalan
mata pelajaran di sekolah, dengan
meminimalkan
waktu
penyusunan
jadwal.
1.2

Rumusan Masalah
Berdasarkan uraian pada latar
belakang, maka rumusan masalah pada

penelitian ini dapat dirumuskan sebagai

berikut:
1.

2.

Bagaimana mengimplementasikan
metode Genetic Algorihtm dalam
Penjadwalan
Mata
Pelajaran
berbasis website.
Berapa nilai parameter-parameter
Genetic
Algorithm
untuk
menghasilkan
jadwal
mata
pelajaran yang paling optimal.

1.5 Manfaat
Manfaat yang diharapkan dengan
adanya Aplikasi Penjadwalan Mata
Pelajaran adalah:
1. Meningkatkan
efektifitas
dan
efisiensi dalam pembuatan jadwal
mata pelajaran.
2. Mengurangi
bentrokan
jam
kegiatan belajar mengajar antar
pengajar, waktu dan kelas yang
terjadi.

1.3 Batasan Masalah

Mengacu pada permasalahan yang
telah dirumuskan, maka sistem diberi
batasan sebagai berikut:
1. Objek data yang digunakan untuk
penelitian ini diperoleh dari jadwal
kegiatan
belajar
mengajar
Madrasah
Tsanawiyah
Negeri
Bangil tahun ajaran 2012/2013.
2. Parameter parameter Genetic
Algorithm yang digunakan adalah
jumlah
individu,
probabilitas
crossover, dan probabilitas mutation.
3. Parameter parameter dalam
penjadwalan
yang
digunakan
adalah jumlah hari dan jam aktif
sekolah, mata pelajaran yang
diajarkan, seluruh guru pengajar
dan jumlah ruangan untuk kegiatan
belajar mengajar yang tersedia.
4. Aplikasi
penjadwalan
mata
pelajaran dibangun menggunakan
bahasa pemrograman PHP dan
framework YII.
5. Database Management System yang
digunakan adalah MySQL.

1.6 Tinjauan Pustaka

Pada penelitian ini membahas
tentang aplikasi untuk membuat jadwal
mata pelajaran secara otomatis dengan
mengimplementasikan genetic algorithm
dan diterapkan pada kasus penyusunan
jadwal mata pelajaran sekolah. Data yang
digunakan dalam penelitian ini adalah
data jadwal mata pelajaran Madrasah
Tsanawiyah
Negeri
Bangil
tahun
2012/2013. Parameter yang digunakan
adalah jumlah hari dan jam aktif sekolah,
mata pelajaran yang diajarkan, jumlah
guru pengajar dan ruangan untuk
kegiatan belajar mengajar yang tersedia.

1.4 Tujuan
Tujuan
dari
penelitian
ini
berdasarkan latar belakang yang telah
dijabarkan adalah:
1. Mengimplementasikan
metode
Genetic Algorihtm dalam Penjadwalan
Mata Pelajaran berbasis website.
2. Mengevaluasi
nilai
parameterparameter Genetic Algorithm untuk
menghasilkan jadwal mata pelajaran
yang paling optimal.

2.1.1. Metode pengambilan data

Langkah pertama dalam penelitian
ini adalah mempelajari metode yang
digunakan. Metode yang digunakan
dalam penjadwalan mata pelajaran ini
adalah genetic algorithm. Data yang
digunakan dalam penelitian ini adalah
data jadwal mata pelajaran Madrasah
Tsanawiyah Negeri Bangil, tahun ajaran
2012~2013.

2. METODE PENELITIAN
2.1. Metode Penelitian
Pada subbab metode penelitian,
akan dibahas metode yang digunakan
dalam penjadwalan mata pelajaran serta
dijelaskan pula langkah langkahnya
dalam mengimplementasikan metode
pada penjadwalan mata pelajaran.
Langkah penelitian ini digambarkan
melalui blok diagram pada Gambar 3.1.

segala hal yang berhubungan dengan

proses pembuatan sistem implementasi
metode
genetic
algorithm
pada
penjadwalan mata pelajaran yang
mencakup deskripsi umum, batasan, dan
apa saja yang dibutuhkan dalam proses
implementasi.

Gambar.2.1 Blok Diagram Penelitian

Sumber : Perancangan
2.1.2.Perancangan Implementasi Metode
Langkah pertama dalam penelitian
ini adalah mempelajari metode yang
digunakan. Metode yang digunakan
dalam penjadwalan mata pelajaran ini
adalah genetic algorithm. Data yang
digunakan dalam penelitian ini adalah
data jadwal mata pelajaran Madrasah
Tsanawiyah Negeri Bangil, tahun ajaran
2012~2013.
2.1.3.Uji Coba Metode
Setelah
mengimplementasikan
metode berdasarkan perancangan yang
telah
dibuat,
langkah
penelitian
selanjutnya adalah menguji metode.
Langkah ini bertujuan untuk mengetahui
seberapa baik metode yang digunakan
dalam mengatasi penjadwalan mata
pelajaran.
2.1.4.Pengujian Sistem
Pengujian dilakukan agar dapat
menunjukkan bahwa perangkat lunak
telah mampu bekerja sesuai dengan
spesifikasi
dari
kebutuhan
yang
melandasinya. Pengujian melalui dua
tahap yaitu pengujian validasi dan
pengujian akurasi.
3
3.1

PERANCANGAN
Analisis Kebutuhan Implementasi
Pada subbab analisis kebutuhan
implementasi akan dibahas mengenai

3.2 Batasan Implementasi

Batasan dari perangkat lunak yang
akan dikembangkan adalah sebagai
berikut :
1. Data yang digunakan adalah data
Jadwal Mata Pelajaran Madrasah
Tsanawiyah Negeri Bangil Tahun
Ajaran 2012/2013.
2. Metode seleksi yang digunakan
dalam penelitian ini adalah metode
roulette wheel selection.
3. Metode crossover yang digunakan
dalam penelitian ini adalah one
point crossover.
3.3 Perancangan Implementasi Metode
Berdasarkan deskripsi umum sistem
implementasi yang telah dijelaskan
sebelumnya, maka pada subbab ini akan
dibahas mengenai proses pada metode.
User akan memasukkan data mata
pelajaran, menentukan jumlah individu,
probabilitas
crossover,
probabilitas
mutation,
dan
memasukkan
nilai
maksimal generasi. Diagram alir proses
genetic algorithm ditunjukkan pada
gambar 3.2.

penyelesaian optimal. Populasi awal

dalam penelitian
ini merupakan
sejumlah solusi jadwal yang dibuat
secara random.

Mulai

Input Data

Pengkodean Kromosom

Inisialisasi Populasi Awal

Evaluasi Fitness

Fitness Terbaik ?

YA

TIDAK
Seleksi

Crossover
Populasi
baru

3.3.3. Perancangan Proses Perhitungan

Nilai Fitness
Setiap kromosom dalam satu
individu akan dievaluasi nilai fitnessnya. Fitness dievaluasi berdasarkan
jumlah pelanggaran yang terjadi. Rumus
perhitungan
nilai
fitness
dalam
penelitian ini jika dimasukkan pada
persamaan 2.1.
Fitness =

(2.1)

Keterangan :
Mutasi

Output Data

Selesai

Gambar 3.2 Diagram Alir Genetic Algortihm

Sumber: Perancangan

3.3.1. Perancangan Proses Pengkodean

Kromosom
Genetic Algorithm tidak beroperasi
dengan penyelesaian asli dari suatu
masalah tetapi beroperasi dengan
penyelesaian
yang
telah
direpresentasikan.
Representasi
kromosom
merupakan
proses
pengkodean dari penyelesaian asli dari
suatu
permasalahan.
Pengkodean
kandidat penyelesaian ini disebut
dengan kromosom. Pengkodean tersebut
meliputi penyandian gen, dengan satu
gen mewakili satu variable. Pengkodean
yang diperlukan dalam penelitian ini
adalah pengkodean mata pelajaran dan
jumlah porsi jam pelajaran dalam
seminggu, pengkodean guru pengajar,
pengkodean hari dan jam kegiatan
belajar mengajar, dan pengkodean kelas
tempat belajar mengajar.
3.3.2. Perancangan Proses Pengkodean
Kromosom
Langkah kedua dalam algoritma ini
adalah membentuk sejumlah populasi
awal yang digunakan untuk mencari

= Pelanggaran nomor 1
= Pelanggaran nomor 2
= Pelanggaran nomor 3
Pelanggaran dalam penelitian ini
adalah:
1. 1 guru berada pada lebih dari 1 kelas
dalam satu hari dan jam tertentu
(Soft Constraint 1).
2. Dalam satu hari tidak boleh ada
lebih dari satu mata pelajaran
dengan tingkat kesulitan tertinggi
(Soft Constraint 2).
3. Jumlah jam pelajaran dalam 1 hari
melebihi bobot jam mata pelajaran
yang sudah ditentukan (Hard
Constraint).
3.3.4. Perancangan Proses Seleksi
Setelah populasi awal yang berupa
sejumlah solusi jadwal dibuat secara
random, langkah selanjutnya adalah
memilih 2 solusi jadwal. Pemilihan ini
bertujuan untuk menghasilkan solusi
jadwal yang baru berdasarkan nilai
fitness dari solusi jadwal tersebut.
Metode seleksi yang digunakan dalam
penelitian ini adalah Roulette Wheel
Selection. Metode ini bekerja dengan cara
memilih solusi jadwal yang memiliki
nilai fitness terbaik. Semakin besar nilai
fitness maka solusi jadwal tersebut
mempunyai peluang untuk dipilih.

3.3.5. Perancangan Proses Crossover

Dalam penjadwalan mata pelajaran,
2 solusi jadwal yang telah terpilih
dengan metode roulette wheel selection
akan dilakukan proses crossover. Jumlah
solusi jadwal dalam kumpulan solusi
jadwal yang mengalami crossover
ditentukan oleh parameter yang disebut
dengan crossover rate (probabilitas
crossover).
Probabilitas
crossover
menunjukkan berapa banyaknya solusi
jadwal yang akan mengalami crossover.
Metode crossover yang digunakan dalam
penelitian ini adalah one point crossover.
3.3.6. Perancangan Proses Mutation
Dalam penjadwalan mata pelajaran,
proses mutasi adalah mengubah secara
random guru pengajar suatu mata
pelajaran. Contohnya, guru matematika
dalam penelitian ini berjumlah 7 dengan
id 7, 17, 29, 30, 34, 38, dan 44. Sebagai
contoh, guru yang mengajar matematika
di kelas VII-A adalah guru dengan id 30.
Fungsi mutasi akan merubah guru
matematika pada kelas VII-A dengan
guru matematika selain id 30 secara
random.
3.3.7. Kriteria Pemberhentian
Kriteria pemberhentian algoritma
yang digunakan dalam penelitian ini
adalah berhenti pada saat generasi ke
500.
4
IMPLEMENTASI
4.1. Lingkungan Implementasi
Lingkungan implementasi yang
akan dijelaskan dalam subbab ini adalah
lingkungan implementasi perangkat
keras dan perangkat lunak.
4.1.1. Lingkungan Perangkat Keras
Perangkat keras yang digunakan
dalam
pengembangan
sistem
implementasi genetic algorithm pada
penjadwalan mata pelajaran ini adalah
sebagai berikut:
1. Prosesor Intel Core2Duo
2. Memori 3GB
3. Harddisk dengan kapasitas 500 GB
4. Monitor 14
5. Keyboard

4.1.2. Lingkungan Perangkat Lunak

Perangkat lunak yang digunakan
dalam
pengembangan
sistem
implementasi genetic algorihtm pada
penjadwalan mata pelajaran ini adalah :
1. Sistem Operasi Windows 7
2. Aptana Studio 3
3. Microsoft Excel 2010
4.2. Implementasi Program
Berdasarkan
analisa
dan
perancangan proses yang terdapat pada
subbab 3.2, maka pada subbab ini akan
dijelaskan implementasi proses-proses
tersebut.
4.2.1. Implementasi
Input
Data
Penjadwalan
Tahap
awal
dalam
sistem
implementasi genetic algorithm dalam
penjadwalan mata pelajaran adalah
melakukan input data jadwal mata
pelajaran untuk dilakukan beberapa
proses.
Berdasarkan
analisa
dan
perancangan yang terdapat pada subbab
3.2,
data
input
dalam
sistem
implementasi genetic algorithm pada
penjadwalan mata pelajaran adalah:
1. Mata pelajaran
2. Guru pengajar
3. Hari aktif kegiatan belajar mengajar
4. Kelas tempat kegiatan belajar mengajar
Data mata pelajaran yang akan
diproses dalam genetic algorithm ada 4
data, yaitu ID GA mata pelajaran, nama
mata pelajaran, jumlah maksimal jam
mata pelajaran dalam satu hari dan
jumlah bagian dari mata pelajaran.
Data guru pengajar yang akan
diproses dalam genetic algorithm ada 3
data, yaitu ID GA guru pengajar, nama
guru pengajar, dan ID mata pelajaran
yang diajar.
Data hari aktif kegiatan belajar
mengajar yang akan diproses dalam
genetic algorithm ada 3 data, yaitu ID
GA hari aktif kegiatan belajar mengajar,
nama hari, dan jumlah maksimal jam
dalam 1 hari.
Data kelas tempat kegiatan belajar
mengajar yang akan diproses dalam

genetic algorithm ada 2 data, yaitu ID

GA kelas dan nama kelas.
5
HASIL DAN PEMBAHASAN
5.1. Skenario Uji Coba
Pengujian sistem implementasi
genetic algorithm pada penjadwalan
mata pelajaran ini menggunakan data
jadwal
mata
pelajaran
Madrasah
Tsanawiyah Negeri Bangil tahun ajaran
2012/2013.
Untuk mengetahui nilai parameterparameter genetic algorithm dalam
menemukan jadwal mata pelajaran yang
paling optimal, akan dilakukan beberapa
percobaan berikut.
1. 27 kelas, 10 individu, 500 generasi,
nilai probabilitas crossover dan
probabilitas mutation dengan nilai
0%, 10%, 30%, 50%, 70%, dan 90%.
2. 27 kelas, 20 individu, 500 generasi,
nilai probabilitas crossover dan
probabilitas mutation dengan nilai
0%, 10%, 30%, 50%, 70%, dan 90%.
3. 27 kelas, 30 individu, 500 generasi,
nilai probabilitas crossover dan
probabilitas mutation dengan nilai
0%, 10%, 30%, 50%, 70%, dan 90%.
4. 27 kelas, 40 individu, 500 generasi,
nilai probabilitas crossover dan
probabilitas mutation dengan nilai
0%, 10%, 30%, 50%, 70%, dan 90%.
5. 27 kelas, 50 individu, 500 generasi,
nilai probabilitas crossover dan
probabilitas mutation dengan nilai
0%, 10%, 30%, 50%, 70%, dan 90%.
5.2. Hasil Uji Coba
Pada penelitian ini, pengujian
dengan beberapa nilai probabilitas
crossover dan probabilitas mutation, dan
juga dengan beberapa jumlah individu
sangat berpengaruh terhadap nilai fitness
yang dihasilkan.
Dari kelima pengujian tersebut, nilai
fitness tertinggi didapatkan pada saat
jumlah individu 30, dengan nilai
probabilitas crossover 30% dan nilai
probabilitas mutation 50%. Hal ini
dikarenakan semakin banyak jumlah
individu, maka solusi jadwal yang
dihasilkan akan semakin beragam.

Sehingga nama-nama guru dari setiap

mata pelajaran yang dihasilkan juga
semakin beragam.
Nilai fitness yang paling optimal
pada pengujian pertama didapatkan
pada saat nilai probabilitas crossover 0%
dan nilai probabilitas mutation 90%.
Jumlah soft constraint yang dilakukan
adalah 907 pelanggaran, dan hard
constraint yang dilakukan adalah 5
pelanggaran.
Hal ini menunjukkan
bahwa ada 907 total bentrok jam pengajar
antar guru yang dilakukan dalam 1
solusi
jadwal.
Sedangkan
untuk
pelanggaran jumlah jam pelajaran dalam
1 hari yang melebihi bobot jam mata
pelajaran yang sudah ditentukan ada 5
pelanggaran.
Nilai fitness yang paling optimal
pada pengujian kedua didapatkan pada
saat nilai probabilitas crossover 90% dan
nilai probabilitas mutation 10%. Jumlah
soft constraint yang dilakukan adalah
1045 pelanggaran, dan hard constraint
yang dilakukan adalah 4 pelanggaran.
Hal ini menunjukkan bahwa ada 1045
total bentrok jam pengajar antar guru
yang dilakukan dalam 1 solusi jadwal.
Sedangkan untuk pelanggaran jumlah
jam pelajaran dalam 1 hari yang melebihi
bobot jam mata pelajaran yang sudah
ditentukan ada 4 pelanggaran.
Nilai fitness yang paling optimal
pada pengujian ketiga didapatkan pada
saat nilai probabilitas crossover 30% dan
nilai probabilitas mutation 50%. Jumlah
soft constraint yang dilakukan adalah
1081 pelanggaran, dan hard constraint
yang dilakukan adalah 4 pelanggaran.
Hal ini menunjukkan bahwa ada 1081
total bentrok jam pengajar antar guru
yang dilakukan dalam 1 solusi jadwal.
Sedangkan untuk pelanggaran jumlah
jam pelajaran dalam 1 hari yang melebihi
bobot jam mata pelajaran yang sudah
ditentukan ada 4 pelanggaran.
Nilai fitness yang paling optimal
pada pengujian keempat dan kelima
didapatkan pada saat nilai probabilitas
crossover 0% dan nilai probabilitas
mutation 90%. Akan tetapi nilai fitness
yang dihasilkan kurang dari pengujian

dengan jumlah individu 30. Artinya,

untuk mendapatkan fitness yang paling
optimal,
jumlah
individu
yang
dibutuhkan dalam kasus ini adalah 30
individu.

[2]

KESIMPULAN
Kesimpulan yang didapat setelah
pengerjaan tugas akhir ini adalah :
1. Dalam
mengimplementasikan
genetic algorithm pada optimasi
penjadwalan mata pelajaran studi
kasus Madrasah Tsanawiyah Negeri
Bangil
dibutuhkan
parameterparameter jadwal mata pelajaran
untuk dimasukkan ke dalam
parameter-parameter
genetic
algorithm. Parameter jadwal mata
pelajaran yang dimasukkan ke
dalam genetic algorithm adalah
solusi jadwal mata pelajaran mulai
dari kelas ke-1 sampai dengan ke-27,
jumlah kelas tempat kegiatan belajar
mengajar, jumlah maksimal jam
kegiatan belajar mengajar dalam 1
hari, jumlah maksimal jam pelajaran
untuk diajar dalam 1 hari, dan
jumlah guru yang tersedia.
2. Jumlah individu, nilai probabilitas
crossover, dan probabilitas mutation
dalam menghasilkan jadwal mata
pelajaran sekolah dengan 500 jumlah
generasi yang paling optimal adalah
30 jumlah individu, 30% probabilitas
crossover dan 50% probabilitas
mutation.

[3]

Saran
yang
diberikan
untuk
pengembangan penelitian selanjutnya
adalah untuk penelitian selanjutnya
diharapkan menggunakan metode twopoint pada fungsi crossover untuk
mendapatkan nilai fitness yang lebih
baik.

[8]

7
[1]

[9]

DAFTAR PUSTAKA
Hosny, M., & Fatima, S.
(2011). A Survey of Genetic
Algorithms
for
the
University
Timetabling
Problem. In International
Conference on Future

[4]

[5]

[6]

[7]

Information Technology
IPCSIT (Vol. 13).
Davis, L. (1991). Handbook
Of Genetic Algorithm. New
York:
Van
Nostrand
Reinhold.
Burke EK, Kingston J,
Jackson K et al. (1997).
Automated university
timetabling. The state of the
art, The Computer Journal
40 (9): 565-571.
Kusumadewi, S. (2003).
Artificial Intelligence:
Teknik dan Aplikasinya,
Yogyakarta: Graha Ilmu.
Desiani, A. (2006). Konsep
Kecerdasan Buatan,
Yogyakarta: Andi Offset.
Jain, A., Jain, S., &
Chande, P. K. (2010).
Formulation
of
Genetic
Algorithm to Generate Good
Quality
Course
Timetable. International
Journal of Innovation,
Management
and
Technology, 1(3),
20100248.
Kumar
K.;
Sikander,
Ramesh S., Kaushal M.
(2012). Genetic Algorithm
Approach
to
Automate
University
Timetable.
International Journal of
Technical Research (IJTR)
Vol 1.
Obitko. (2013). Genetic
Algorithms
Biological
Background.
http://www.obitko.com/tu
torials/geneticalgorithms/biologicalbackground.php (diakses
9 April 2013)
Imbar, R. V. & Jayanti.
(2011).
Impelementasi
Algoritma Genetika pada
Aplikasi
Penjadwalan
dengan Studi Kasus pada
SMP X. Bandung. Seminar
Teknik Informatika dan

Sistem Informasi.
[10] Andrew Rosca. (2001).
Room Scheduling Using a
Genetic
Algorithm.
University of Bridgeport.
[11] Setemen, K. & Purnomo
M. H. (2008). Kombinasi
Algoritma Genetika dan
Tabu
Search
dalam
Pembuatan Tabel Jadwal
Mata Kuliah. Seminar on
Intelligent
Technology
and Its Applications.
[12] Thamilselvan,
R.,
&
Balasubramanie, P. (2009).
A Genetic Algorithm with a
Tabu Search (GTA) for
Traveling
Salesman
Problem. International
Journal of Recent Trends
in Engineering, 1(1), 607610.
[13] Vor, J., Vondrk, I., &
Vlek, K. (2008). School
Timetable Generating using
Genetic Algorithm.
[14] Wikipedia. (2013).
Kecerdasan Buatan.
http://id.wikipedia.org/wi
ki/Kecerdasan_buatan
(diakses 26 Maret 2013)
[15] AYDIN, C. . (2008).
Developing
a
Course
Scheduling System by using
Genetic Algorithm.
[16] Hanita,
M.
(2011).
Penerapan
Algoritma
Genetika Pada Penjadwalan
Mata Kuliah (Studi Kasus:
Program Studi Matematika
FMIPA
Universitas
Bengkulu). Jurusan
Matematika
Fakultas
Matematika dan Ilmu
Pengetahuan
Alam,
Universitas Bengkulu.
[17] Sanjoyo. (2006). Aplikasi
Algoritma Genetika.