Jurnal: Aplikasi Algoritma Genetik Untuk Optimasi Pendjadwalan Kegiatan Belajar Mengajar

Abstrak - Penjadwalan kegiatan belajar mengajar dalam suatu kampus adalah hal yang rumit. Permasalahan yang sering disebut dengan University Timetabling Problems (UTP) ini. selain dilihat dari sisi mahasiswa, juga harus dilihat dari sisi dosen, yaitu kemungkinankemungkinan dosen akan mengampu lebih dari satu mata kuliah yang ada, sebab ada kemungkinan jumlah mata kuliah dan jumlah dosen tidak sebanding, sehingga harus dipikirkan juga solusi agar dosen tidak mengampu dua mata kuliah berbeda pada hari dan jam yang sama. Selain itu, harus dipertimbangkan juga ketersediaan kelas sehingga kegiatan belajar dapat dilaksanakan.

Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan tersebut adalah dengan
menggunakan pendekatan algoritma genetik. Algoritma genetik merupakan pendekatan komputasional untuk menyelesaikan masalah yang dimodelkan dengan proses biologi dari evolusi.

Diharapkan dengan digunakannya algoritma genetik akan diperoleh optimasi penjadwalan yaitu
kondisi dimana terjadi kombinasi terbaik untuk pasangan mata kuliah dan dosen pengajar secara
keseluruhan, tidak ada permasalahan bentrokan jadwal pada sisi mahasiswa, serta ketersediaan ruang
yang cukup dan sesuai secara fasilitas untuk seluruh mata kuliah yang ada.

Pengertian Algoritma Genetik

Algoritma ini ditemukan di Universitas Michigan, Amerika Serikat oleh John Holland (1975) melalui sebuah penelitian dan dipopulerkan oleh salah satu muridnya,David Goldberg. 

Algoritma genetik adalah algoritma yang berusaha menerapkan pemahaman mengenai evolusi alamiah pada tugas-tugas pemecahan-masalah (problem solving). Pendekatan yang diambil oleh algoritma ini adalah dengan menggabungkan secara acak berbagai pilihan solusi terbaik di dalam suatu kumpulan untuk mendapatkan generasi solusi terbaik berikutnya yaitu pada suatu kondisi

yang memaksimalkan kecocokannya atau lazim disebut fitness. Generasi ini akan merepresentasikan perbaikan-perbaikan pada populasi awalnya. Dengan melakukan proses ini secara berulang, algoritma ini diharapkan dapat mensimulasikan proses evolusioner. Pada akhirnya, akan didapatkan solusi-solusi yang paling tepat bagi permasalahan yang dihadapi. 

Untuk menggunakan algoritma genetik, solusi permasalahan direpresentasikan sebagai khromosom. Tiga aspek yang penting untuk penggunaan algoritma genetik:

1. Definisi fitness function

2. Definisi dan implementasi representasi genetik

3. Definisi dan implementasi operasi genetik

Jika ketiga aspek di atas telah didefinisikan, algoritma genetik generik akan bekerja dengan baik. 

Tentu saja, algoritma genetik bukanlah solusi terbaik untuk memecahkan segala masalah. Sebagai contoh, metode tradisional telah diatur untuk untuk mencari penyelesaian dari fungsi analitis convex yang “berperilaku baik” yang variabelnya sedikit. Pada kasus-kasus ini, metode berbasis kalkulus lebih unggul dari algoritma genetik karena metode ini dengan cepat menemukan solusi minimum ketika algoritma genetik masih menganalisa bobot dari populasi awal. Untuk problemproblem

ini pengguna harus mengakui fakta dari pengalaman ini dan memakai metode tradisional yang

lebih cepat tersebut. Akan tetapi, banyak persoalan realistis yang berada di luar golongan ini. Selain itu, untuk persoalan yang tidak terlalu rumit, banyak cara yang lebih cepat dari algoritma genetik. Jumlah besar dari populasi solusi, yang merupakan keunggulan dari algoritma genetik, juga harus mengakui kekurangannya dalam dalam kecepatan pada sekumpulan komputer yang dipasang

secara seri –fitness function dari tiap solusi harus dievaluasi. Namun, bila tersedia komputer-komputer yang paralel, tiap prosesor dapat mengevaluasi fungsi yang terpisah pada saat yang bersamaan. Karena itulah, algoritma genetik sangat cocok untuk perhitungan yang paralel.

Download Jurnal Aplikasi Algoritma Genetik

Isi Dari jurnal ini berbentuk PDF, dibuat oleh Ivan Nugraha (Sekolah Teknik Elektro dan Informatika ITB), diantaranya:

1. Abstrak:yang telah dituliskan di atas.

2. Algoritma genetik: Pengertian, Teknik Penggunaan Algoritma Genetik (fitness function, crossover, mutasi, schema, Pseudo Code Algoritma Genetik, 

3. Penerapan Algoritma Genetik pada Optimasi Penjadwalan: Flowchart program, proses data input, pembuatan kromosom dan populasi, Evaluasi fitness, seleksi, reproduksi kromosum baru, mutasi, kondisi selesai, 

4. Hasil Referensi

5. Kesimpulan

6. Referensi

Semoga bermanfaat jurnal aplikasi algoritma genetik untuk optimasi penjadwalan kegiatan belajar mengajar. Selengkapnya silahkan download jurnalnya, disini