Mata Kuliah STUDI ALGORITMA GENETIKA UNTUK OPTIMASI PENJADWALAN MATA KULIAH

Seminar IK-492

STUDI ALGORITMA GENETIKA UNTUK OPTIMASI

PENJADWALAN MATA KULIAH

Kiki Firmansyah - 0609186

Program Studi Ilmu Komputer

Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam
Universitas Pendidikan Indonesia
Jl. Dr. Setiabudhi No. 229 Bandung, 40154
e-mail : kikikikikiki.firmansyah@gmail.com

ABSTRAK
Penjadwalan perkuliahan pada suatu Universitas merupakan suatu hal yang
sangat kompleks dan rumit untuk dipecahkan. Kompleksitasnya selain dilihat
dari sisi mahasiswa, juga harus dilihat dari sisi dosen yang mengajar, mata
kuliah yang diajarkan, waktu perkuliahan dan juga ruangan untuk
melaksanakan perkulihan tersebut. Kemungkinan-kemungkinan tersebut
sangat mempengaruhi kinerja keseluruhan aktifitas akademis dalam suatu
kampus yang akhirnya berdampak pada kompetensi kampus tersebut.
Algoritma Genetika merupakan pendekatan komputasional untuk mencari
solusi yang terbaik berdasarkan pada proses biologi dari evolusi. Diharapkan
dengan digunakannya Algoritma Genetika akan diperoleh optimasi
penjadwalan mata kuliah yaitu kondisi dimana terjadi kombinasi terbaik untuk
pasangan mata kuliah dan dosen yang mengajar secara keseluruhan, tidak ada
bentrokan jadwal pada sisi mahasiswa, serta ketersediaan faislitas ruangan
yang cukup dan sesuai dengan mata kuliah yang ada.

Kata kunci : algoritma genetika, penjadwalan, optimasi

1 Kiki Firmansyah 0609186

Mata Kuliah STUDI ALGORITMA GENETIKA UNTUK OPTIMASI PENJADWALAN MATA KULIAH
Seminar IK-492

1. PENDAHULUAN
1.1 Latar Belakang Masalah
Kegiatan belajar mengajar dalam suatu kampus merupakan aktifitas akademis yang
paling penting. Dimana dosen dan mahasiswa saling berbagi pengetahuan mengenai
suatu ilmu dalam mata kuliah di waktu yang tepat dan ruangan yang tepat pula.
Idealnya seperti itu, akan tetapi kenyataan di lapangan tidaklah mudah.
Penjadwalan kegiatan belajar mengajar dalam suatu instansi pendidikan adalah hal
yang kompleks. Ada banyak aspek yang harus dilibatkan misalnya jadwal dosen
untuk mengajar, tidak boleh adanya jadwal mata kuliah yang bentrok pada saat yang
bersamaan, tidak boleh adanya bentrok ruang kelas yang dipakai, dll.
Dengan Algoritma Genetika diharapkan dapat diperoleh penjadwalan mata kuliah
yang optimal yaitu kondisi dimana terjadi kombinasi terbaik untuk mata kuliah dan
dosen secara keseluruhan, tidak adanya permasalahan bentrok jadwal baik pada sis
mahasiswa, ruangan, maupun waktu serta ketersediaannya ruangan yang cukup
secara fasilitas untuk seluruh mata kuliah.
1.2 Perumusan Masalah
Berdasarkan latar belakang, rumusan masalah yang disusun yaitu bagaimana
memperoleh optimasi penjadwalan dengan menggunakan Algoritma Genetika
sehingga diperoleh kombinasi tebaik untuk mata kuliah dan dosen secara
keseluruhan, tidak adanya permasalahan bentrok jadwal baik pada sisi mahasiswa,
ruangan, maupun waktu serta ketersediaannya ruangan yang cukup secara fasilitas
untuk seluruh mata kuliah.
1.3 Batasan Masalah
Batasan permasalahan yang terdapat pada optimasi penjadwalan mata kuliah ini
yaitu :
a. Adanya batas hari dalam seminggu
b. Adanya batas waktu dalam sehari
c. Adanya waktu tertentu yang tidak oleh ada perkuliahan
d. Tidak boleh adanya bentrok waktu, ruang mengajar dosen dan perkuliahan
mahasiswa
e. Dosen dapat memilih jam mengajar
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk memproleh optimasi penjadwalan dengan
menggunakan Algoritma Genetika sehingga diperoleh kombinasi tebaik untuk mata

2 Kiki Firmansyah 0609186

Mata Kuliah STUDI ALGORITMA GENETIKA UNTUK OPTIMASI PENJADWALAN MATA KULIAH
Seminar IK-492

kuliah dan dosen secara keseluruhan, tidak adanya permasalahan bentrok jadwal
baik pada sis mahasiswa, ruangan, maupun waktu serta ketersediaannya ruangan
yang cukup secara fasilitas untuk seluruh mata kuliah.
1.5 Metodololgi Penelitian
Metodologi penelitian yang digunakan yaitu :
a. Studi literatur Algoritma Genetika untuk menyelesaikan permasalahan
penjadwalan kuliah
b. Mengidentifikasi permasalahan atau kendala yang dihadapi dalam menyusun
jadwal kuliah
2. TINJAUAN PUSTAKA
2.1 Sejarah Algoritma Genetika
Algoritma genetika pertama kali dikembangkan oleh John Holland dari Michigan
University, New York pada tahun 1970 untuk aplikasi seluler automata. Pada tahun
1975, Holland bersama murid dan teman kerjanya menghasilkan buku berjudul
“Adaption in Natural and Artificial System”.
Sedikit menengok ke belakang, sebenarnya cikal bakal perkembangan Algoritma
Genetika ini berawal dari prakarsa beberapa ahli Biologi. Para ahli Biologi tersebut
menggunakan komputer digital untuk mengerjakan simulasi dari sistem genetika.
Para ahli tersebut diantaranya adalah Baricelli, N.A yang pada tahun 1957
melakukan penelitian evolusi simbiogenetik dan pada tahun 1962 mengajukan teori
evolusi beserta analisis numeriknya. Selain Baricelli, satu lagi nama yang menjadi
pemrakarsa Algoritma Genetika adalah Fraser, A.S. yang pada tahun 1960
mensimulasikan sistem genetika dengan komputer.
Penelitian yang dilakukan para ahli Biologi tersebut memberikan ide bagi Jhon
Hollad dan muridnya David Goldberg untuk mengaplikasikan proses genetika ini
pada sistem buatan.
2.2 Pengertian Algoritma Genetika
Algoritma Genetika pada dasarnya adalah program komputer yang mensimulasikan
proses evolusi. Secara alamiah, individu di dalam populasi akan saling bersaing
untuk mendapatkan sumber daya yang tersedia. Individu yang berhasil
mendapatkan sumber daya akan tetap bertahan hidup, sedangkan yang tidak, akan
mati dan punah.
Algoritma Genetika melakukan teknik pencarian untuk menemukan penyelesaian
perkiraaan untuk optimasi dan masalah pencarian. Selain itu, algoritma ini juga

3 Kiki Firmansyah 0609186

Mata Kuliah STUDI ALGORITMA GENETIKA UNTUK OPTIMASI PENJADWALAN MATA KULIAH
Seminar IK-492

menggunakan teknik yang terinspirasi oleh biologi revolusioner seperti warisan,

mutasi, seleksi alam dan persilangan .
Dalam hal ini, populasi dari kromosom dihasilkan secara random dan
memungkinkan untuk berkembang biak sesuai dengan hukum yang berlaku untuk
proses evolusi dengan harapan akan menghasilkan individu dengan kromosom yang
prima. Kromosom inilah yang pada kenyataannya merupakan penyelesaian masalah
(solusi), sehingga bila kromosom yang baik berkembang, maka solusi bagi masalah
pun diharapkan dapat dihasilkan.
2.3 Prosedur Algoritma Genetika
Algoritma Genetika memiliki prosedur sebagai berikut :
1. [Start] Generate populasi pertama secara random sebanyak n individu
2. [Fitness] Evaluasi nilai fitness f(x) dari setiap individu x di dalam populasi
3. [New Populasi] Bentuk populasi baru dengan melakukan pengulangan langkah-
langkah di bawah ini sehingga didapatkan populasi baru
a. [Selection] Pilih 2 individu sebagai orangtua dari sebuah populasi sesuai
dengan fitness mereka (semakin besar nilai fitness, maka semakin besar
pula peluang untuk terpilih)
b. [Crossover] Lakukan persilangan antara kedua orangtua seseuai dengan
probabilitas crossover untuk menghasilkan keturunan yang baru. Jika
tidak terjadi persilangan maka keturunan yang dihasilkan akan sama
persis dengan orangtuanya
c. [Mutation] Mutasi setiap keturunaan yang baru sesuai dengan
probabilitas mutasi di setiap gen
d. [Accepting] Tempatkan keturunan yang baru sesuai populasi yang baru
4. [Replace] Gunakan populasi yang baru dibentuk untuk menjalankan algoritma
5. [Test] Jika kondisi akhir dipenuhi maka berhenti dan tampilkan solusi dari
populasi
6. [Loop] Kembali ke langkah 2

4 Kiki Firmansyah 0609186

Mata Kuliah STUDI ALGORITMA GENETIKA UNTUK OPTIMASI PENJADWALAN MATA KULIAH
Seminar IK-492

Seperti yang diutarakan Negnevitsky, 2005 tentang Basic Genetic Algorithm

Gambar 1. Basic Genetic Algoritm

(Negnevitsky, 2005)

5 Kiki Firmansyah 0609186

Mata Kuliah STUDI ALGORITMA GENETIKA UNTUK OPTIMASI PENJADWALAN MATA KULIAH
Seminar IK-492

3. PEMBAHASAN
Siklus Algoritma Genetika secara garis besar adalah

Gambar 2. Siklus Algoritma Genetika

Algoritma Genetika ini meniru mekanisme dari genetika alam. Dari siklus di atas dapat
dijabarkan sebagai berikut :

1. Membuat Populasi Awal

Langkah pertama dalam algoritma ini adalah membentuk sejumlah populasi
awal yang digunakan untuk mencari penyelesaian optimal. Populasi ini
merupakan kumpulan dari alternatif solusi. Dengan adanya populasi ini, maka
Algortima Genetika melakukan proses pencarian dari berbagai titik uji.
Pembuatan populasi awal ini dilakukan secara random.
2. Representasi Kromosom
Agar dapat diproses melalui Algoritma Genetika, maka alternatif solusi tersebut
harus direpresentasikan terlebih dahulu ke dalam bentuk kromosom.
Representasi kromosom merupakan proses pengkodean dari penyelesaian asli
suatu masalah. Pengkodean tersebut meliputi penyandian gen, dengan satu gen
mewakili satu variabel.
3. Fungsi Fitness
Suatu kromosom dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran
performansinya. Fungsi tersebut disebut fungsi fitness, (Hermanto 2003) yaitu
Fungsi yang membedakan kualitas dari kromosom yang diinginkan. Kromosom
yang memiliki fungsi fitness yang tinggi akan dipertahankansedangkan
kromosom dengan harga fungsi fitness yang rendah akan diganti.

6 Kiki Firmansyah 0609186

Mata Kuliah STUDI ALGORITMA GENETIKA UNTUK OPTIMASI PENJADWALAN MATA KULIAH
Seminar IK-492

4. Seleksi
Sejumlah kromosom akan diseleksi untuk menjadi orangtua. Kromosom yang
baik (orangtua) yang memiliki nilai fitness yang tinggi akan dipertahankan dan
akan menghasilkan keturunan baru untuk populasinya.
5. Persilangan
Merupakan bagian dari operator genetika yang digunakan untuk memodifikasi
individu dalam aliran populasi guna mencetak individu selanjutnya. Operator
persilangan bekerja untuk menggabungkan dua kromosom orangtua (parent)
menjadi kromosom baru (offspring).
6. Mutasi
Setelah persilangan dilakukan, operator genetika pun melakukan mutasi. Hal ini
dilakukan untuk menghindari solusi-solusi dalam populasi mempunyai nilai
lokal optimum. Mutasi adalah proses mengubah gen dari keturunan secara
random.
7. Kondisi Berhenti
Kondisi berhenti tercapai ketika solusi optimum terpenuhi dan Algoritma
Genetika akan menghentikan proses pencariannya.

Faktor-faktor yang mempengaruhi alternatif solusi diantaranya :

1. Pemecahan mata kuliah
Ada kemungkinan untuk memecah mata kuliah yang berbobot 3 sks yang
dijadikan 2 atau 3 kelompok jam kuliah jika waktu penjadwalan tidak
memungkinkan untuk melaksanakan kuliah pada satu waktu.
2. Pemadatan waktu
Pagi hari merupakan waktu yang cukup berharga untuk menambah nilai fitness.
Oleh karena itu, penjadwalan dilakukan semenjak pagi untuk menambah
alternatif solusi optimum.
3. Frekuensi mengajar dosen
Penjadwalan menginginkan agar tugas mengajar dosen merata setiap harinya.
Tidak terlalu padat dan tidak juga terlalu lenggang. Hal ini dapat mempengaruhi
kinerja mengajar dosen yang bersangkutan.

7 Kiki Firmansyah 0609186

Mata Kuliah STUDI ALGORITMA GENETIKA UNTUK OPTIMASI PENJADWALAN MATA KULIAH
Seminar IK-492

4. Frekuensi belajar mahasiswa

Seperti halnya pada dosen, performansi mahasiswa dalam belajr pun harus
diperhatikan. Oleh karena itu diharapkan tidak ada jadwal kuliah yang teralu
padat setiap harinya.
5. Kedekatan waktu antar kuliah
Penjadwalan menginginkan adanya waktu rehat antara satu mata kuliah dengan
mata kuliah selanjutnya. Hal ini meminimalisir kekhawatiran bahwa mahasiswa
akan merasa keletihan ketika mengikuti mata kuliah yang kedua. Akan tetapi,
renggang waktu antar mata kuliah pun diharapkan tidak terlalu jauh karena akan
membuat mahasiswa bosan menunggu jam perkuliahan.

8 Kiki Firmansyah 0609186

Mata Kuliah STUDI ALGORITMA GENETIKA UNTUK OPTIMASI PENJADWALAN MATA KULIAH
Seminar IK-492

4. KESIMPULAN
Dari hasil studi literatur yang dilakukan penulis, Algoritma Genetika dapat
mengoptimalkan penjadwalan mata kuliah. Penjadwalan dapat memberikan solusi yang
dapat digunakan oleh dosen, mahasiswa, kelas, ruangan, mata kuliah yang terlibat
dalam kegiatan perkuliahan. Di samping itu, dapat meminimalkan tingginya frekuensi
mengajar seorang dosen, frekuensi kuliah mahasiswa dan juga faktor lainnya.

DAFTAR PUSTAKA
[1] Muhamad Aria 2006. “Aplikasi Algoritma Genetika untuk Optimasi Penjadwalan Mata
Kuliah”. Universitas Komputer Indonesia.
[2] Ivan Nugraha 2008. “Aplikasi Algoritma Genetik untuk Optimasi Penjadwalan Kegiatan
Belajar Mengajar”. Institut Teknologi Bandung.
[3] Novandry Widyastuti, Astika Ratnawati, Rahma Nur Cahyani. “Optimasi Kegiatan
Belajar Mengajar dengan Algoritma Genetik”. Universitas Sebelas Maret.
[4] Gregorius Satia Budhi, Andreas Handojo, Billy Soloment. “Pemanfaatan Compact
Genetic Algorithm (cGA) untuk Optimasi Penjadwalan Penggunaan Ruang Kuliah di
U.K. Petra”. Universitas Kristen Petra.
[5]http://ilmukomputer.com/2007/03/29/algoritma-genetika-dan-contoh-aplikasinya/
diakses pada tanggal 18 Oktober 2009
[6] http://blog.its.ac.id/arif05/2007/11/19/algoritma-genetik-dan-aplikasinya/
diakses pada tanggal 18 Oktober 2009

9 Kiki Firmansyah 0609186