Implementasi Algoritma Genetika untuk Penjadwalan Praktikum Laboratorium

Legming Dwi Anggraini, Ali Mahmudi, Yosep Agus Pranoto

Abstract

Abstrak : 

Penjadwalan praktikum laboratorium untuk membagi asisten sebagai pengajar dan pendamping berdasarkan ketersediaannya masih dilakukan secara manual menggunakan microsoft excel sehingga rawan terjadi kesalahan dan memerlukan waktu yang lebih. Sistem penjadwalan algoritma genetika dibuat guna membantu proses penjadwalan agar lebih efisien. Proses penjadwalan praktikum menggunakan algoritma genetika dengan kriteria asisten harus dijadwalkan sebagai pengajar maupun pendamping dalam keadaan tersedia. Dalam penelitian ini, parameter-parameter yang digunakan yaitu ukuran populasi sebanyak 20 individu dalam 50 generasi, serta nilai probabilitas crossover yang digunakan 0.8 dan probabilitas mutasi sebesar 0.1 yang mana menghasilkan nilai fitness 0.5 pada generasi terakhir.  Nilai fitness ini merepresentasikan tingkat optimalitas solusi, di mana semakin tinggi nilai fitness, semakin sedikit pelanggaran terhadap kriteria penjadwalan. Dalam penelitian ini, nilai fitness 0.5 menunjukkan bahwa hanya terdapat 1 pelanggaran dari total 18 penempatan, sehingga menghasilkan nilai akurasi penjadwalan sebesar 94.44%.

==================================================

Abstract : 

Scheduling laboratory practicals to divide assistants as teachers and assistants based on availability is still done manually using Microsoft Excel so it is prone to errors and requires more time. The genetic algorithm scheduling system was created to help the scheduling process become more efficient. The practicum scheduling process uses a genetic algorithm with the criteria that assistants must be scheduled as teachers or assistants when available. In this research, the parameters used are a population size of 20 individuals in 50 generations, as well as a crossover probability value of 0.8 and a mutation probability of 0.1, which produces a fitness value of 0.5 in the last generation. This fitness value represents the level of optimality of the solution, where the higher the fitness value, the fewer violations of the scheduling criteria. In this research, a fitness value of 0.5 indicates that there was only 1 violation out of a total of 18 placements, resulting in a scheduling accuracy value of 94.44%

Full Text:

PDF

References

[1] Y. A. Pranoto et al., Kurikulum dan Silabus Teknik Informatika S-1 ITN Malang Tahun Akademik 2024-2029. Malang, 2024.

[2] D. Ghaniyyu Muqsit, S. Achmadi, and Y. Agus Pranoto, “Penerapan Algoritma Genetika Untuk Penjadwalan Mata Pelajaran (Studi Kasus: SMP Hasbunallah),” Jurnal Mahasiswa Teknik Informatika, vol. 7, no. 5, pp. 2959–2966, 2023.

[3] A. A. S, M. Assidiq, and A. A. Qashlim, “Sistem Informasi Penjadwalan Mata Pelajara Berbasis Web Menggunakan Metode Algoritma Genetika Pada SMKN 6 Majene,” Journal Peqguruang: Conference Series, vol. 3, no. 2, p. 861, Nov. 2021, doi: 10.35329/jp.v3i2.2235.

[4] A. B. Chandra, A. P. Farahdiansari, and R. Stighfarrinata, “Optimasi Penjadwalan Perawat dan Bidan dengan,” Jurnal Teknik Industri Terintegrasi, vol. 7, no. 1, pp. 470–479, 2023.

[5] H. A. Hatim and F. Ahmad, “Pendekatan Algoritma Genetika Dalam Upaya Optimalisasi Penjadwalan Di PT. Nuansa Indah,” JISI: Jurnal Integrasi Sistem Industri, vol. 9, no. 2, p. 145, Aug. 2022, doi: 10.24853/jisi.9.2.145-154.

[6] P. Perguruan, T. Wiktasari, T. Prahasto, and J. E. Suseno, “Metode Simulated Annealing untuk Optimasi Penjadwalan”.

[7] E. S. Laela, W. Gata, and J. J. Purnama, “Optimalisasi Algoritma Greedy dalam Penyusunan Jadwal Pelajaran pada SMK Nurul Islam Cianjur,” vol. 12, no. 7, 2022, doi: 10.36418/syntax.

[8] A. Fauzan Langga and R. H. Laluma, “Penerapan Algoritma Genetika Untuk Optimasi Penjadwalan Laboratorium Komputer Fakultas Teknik,” in Prosiding Seminar Politik, Bisnis, Akuntansi dan Teknik (SoBAT) ke-4), Bandung, Aug. 2022, pp. 175–183.

[9] H. Ardiansyah and M. B. S. Junianto, “Penerapan Algoritma Genetika untuk Penjadwalan Mata Pelajaran,” Jurnal Media Informatika Budidarma, vol. 6, no. 1, p. 329, Jan. 2022, doi: 10.30865/mib.v6i1.3418.

[10] Y. Sari, M. Alkaff, E. S. Wijaya, S. Soraya, and D. P. Kartikasari, “Optimasi Penjadwalan Mata Kuliah Menggunakan Metode Algoritma Genetika Dengan Teknik Tournament Selection,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 6, no. 1, pp. 85–92, 2019, doi: 10.25126/jtiik.201961262.

[11] A. Nazarius, R. Delon Pratama, R. A. Soebagijo, R. Priskila, and V. Handrianus Pranatawijaya, “Pengimplementasian Algoritma Genetika Dalam Sistem Penjadwalan Praktikum,” 2024.

[12] Yuliana and V. N. Alaeyda, “Implementasi Metode Algoritma Genetika Untuk Menentukan Penjadwalan Pelajaran Di SMKN 1,” Jurnal Ilmiah ILKOMINFO - Jurnal Ilmu Komputer dan Informatika, vol. 4, no. 1, pp. 67–74, 2021.

[13] L. A. Pangestu, S. H. Suryawan, and A. J. Latipah, “Penerapan Algoritma Genetika Dalam Penjadwalan Mata Pelajaran,” Jurnal Informatika, vol. 10, no. 2, pp. 194–205, Oct. 2023, doi: 10.31294/inf.v10i2.16701.

[14] A. Hajjah, “Penerapan Algoritma Genetika dalam Optimasi Penjadwalan Proyek,” Jurnal Mahasiswa Aplikasi Teknologi Komputer dan Informasi, vol. 2, no. 1, pp. 50–55, 2020.

[15] A. Haifan, Y. A. Pranoto, and N. Vendyansyah, “Sistem Penjadwalan Praktikum Menggunakan Algoritma Genetika,” Jurnal Mahasiswa Teknik Informatika, vol. 4, no. 1, pp. 222–229, 2020.

DOI: https://doi.org/10.20961/ijai.v9i2.95560

Refbacks

  • There are currently no refbacks.