Analisis Perbandingan Algoritma Genetika dan Modified Improved Particle Swarm Optimization dalam Penjadwalan Mata Kuliah

Made Hanindia Prami Swari; Chrystia Aji Putra; I Putu Susila Handika

doi:10.23887/janapati.v11i2.49061

Authors

Made Hanindia Prami Swari UPN "Veteran" Jawa Timur
Chrystia Aji Putra UPN "Veteran" Jawa Timur
I Putu Susila Handika Institut Bisnis dan Teknologi Indonesia

DOI:

https://doi.org/10.23887/janapati.v11i2.49061

Keywords:

penjadwalan, algoritma genetika, particle swarm optimization

Abstract

Pembuatan jadwal secara manual yang terdiri dari banyak batasan tentunya bukan perkara mudah. Dengan adanya berbagai algoritma penjadwalan, proses penjadwalan dapat dilakukan melalui pengembangan sistem penjadwalan mata kuliah. Pemilihan algoritma yang akan digunakan dalam sistem penjadwalan merupakan hal krusial untuk menghasilkan jadwal yang memiliki kinerja terbaik dari sisi ketiadaan bentrok antar jadwal dan waktu terbentuknya jadwal. Penelitian ini bertujuan membandingkan kinerja algoritma genetika yang dinyatakan memiliki kinerja baik serta algoritma MIPSO yang diklaim pada penelitian lain dapat memberikan kinerja baik pada kasus optimasi. Penelitian ini diharapkan memberikan kontribusi berupa rekomendasi algoritma penjadwalan terbaik. Berdasarkan pengujian kinerja algoritma Genetika dan MIPSO yang dilakukan pada penjadwalan semester Genap 2021/2022 menggunakan platform hardware yang sama, maka didapatkan kesimpulan bahwa MIPSO menghasilkan jadwal optimal (menghasilkan jadwal tanpa bentrok) dengan rata-rata waktu yang lebih cepat yakni 190,281 detik dibandingkan waktu yang dibutuhkan oleh algoritma Genetika yakni selama 988,199 detik, dengan kata lain algoritma MIPSO menghasilkan kinerja lebih baik 5 kali lipat atau sebesar 500% dibandingkan algoritma genetika dari sisi waktu yang dibutuhkan untuk melakukan penjadwalan. Untuk penelitian selanjutnya dapat dilakukan penambahan jumlah individu yang akan dilakukan proses crossover dan mutation sehingga didapatkan jumlah optimal individu yang akan dilakukan proses crossver dan mutation.

References

D. R. Anamisa dan A. Djunaidy, “Penyelesaian Penjadwalan Matakuliah Menggunakan Hibridisasi Algoritma Genetika dan Algoritma Koloni Semut,” JUTI, vol. 12, no. 1, pp. 15-20, 2014.

C. Fiarni, A. G. Gunawan, H. Maharani dan H. Kurniawan, “Automated Scheduling System for Thesis and Project Presentation Using Forward Chaining Method With Dynamic Allocation Resources,” dalam Procedia Computer Science 72, 2015.

A. Ławrynowicz, “Genetic Algorithms for Solving Scheduling Problems,” Foundations of Management, vol. 3, no. 2, pp. 7-26, 2011.

C. Menos-Aikateriniadis, I. Lamprinos dan P. S. Georgilakis, “Particle Swarm Optimization in Residential Demand-Side Management: A Review on Scheduling and Control Algorithmsfor Demand Response Provision,” Energies, vol. 15, pp. 1-26, 2022.

T. Alam, S. Qamar, A. Dixit dan M. Benaida, “Genetic Algorithm: Reviews, Implementations, and Applications,” International Journal ofEngineering Pedagogy (iJEP), 2020.

L. Paranduk, A. Indriani, M. Hafid dan Suprianto, “Sistem Informasi Penjadwalan Mata Kuliah Menggunakan Algoritma Genetika Berbasis Web,” dalam Seminar Nasional Aplikasi Teknologi Informasi (SNATi) 2018, Yogyakarta, 2018.

M. Murnniawan dan N. Suciati, “Modifikasi Kombinasi Particle Swarm Optimization dan Genetic Algorithm untuk Permasalahan Fungsi Non-Linier,” INTEGER: Journal of Information Technology, pp. 31-40, 2017.

A. U. Azmi, R. Hidayat dan M. Z. Arif, “Perbandingan Algoritma Particle Swarm Optimization (PSO) dan Algoritma Glowworm Swarm Optimization (GSO) dalam Penyelesaian Sistem Persamaan Non Linear,” Majalah Ilmiah Matematika dan Statistika, pp. 29-38, 2019.

Q. Zheng, B.-W. Feng, Z.-Y. Liu dan H.-C. Chang, “Application of Improved Particle Swarm Optimisation Algorithm in Hull form Optimisation,” Journal of Marine Science and Engineering, 2021.

Q. Xu, “Modified particle swarm optimization algorithm and its application in neural network,” dalam International Conference on Machine Learning and Computer Application, 2020.

M. Tuegeh dan P. M. Soeprijanto, “Modified Improved Particle Searm Optimization For Optimal Genarator Scheduling,” dalam Seminar Nasional Aplikasi Teknologi Informasi , Yogyakarta, 2009.

Y. Elva, “Sistem Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika,” Jurnal Teknologi Informasi, pp. 49-57, 2019.

I. Kusmarna, L. Wardhani dan M. Safrizal, “Aplikasi Penjadwalan Mata Kuliah Menggunakan Algoritma Particle Swarm Optimization (PSO),” Jurnal Teknik Informatika, pp. 1-8, 2015.

S. Kanata, Sarjiya dan S. Hadi, “Modified Improved Particle Swarm Optimization (MIPSO) sebagai Solusi Economic Dispatch pada Kelistrikan 500 kV Jawa-Bali,” Transmisi, pp. 66-72, 2013.

I. M. B. Adnyana, “Impelementasi Algoritma Genetika untuk Penjadwalan Asisten Dosen di STIKOM Bal,” Jurnal Sistem dan Informatika, vol. 12, no. 2, pp. 166-173, 2015.

A. Janata dan E. Haerani, “Sistem Penjadwalan Outsourcing Menggunakan Algoritma Genetika (Studi Kasus: PT. Syarikatama),” CoreIT, vol. 1, no. 2, pp. 17-24, 2015.

G. Jana, A. Mitra, S. Pan, S. Surai dan P. K. Chattaraj, “Modified Particle Swarm Optimization Algorithms for the Generation of Stable Structures of Carbon Clusters, Cn (n = 3–6, 10),” Frontiers in Chemistry , vol. 7, 2019.

M. D. Rindengan, I. Cholissodin dan P. P. Adikara, “Penerapan Algoritme Genetika Untuk Penjadwalan Latihan Reguler Pemain Brass Marching Band (Studi Kasus: Ekalavya Suara Brawijaya),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 9, pp. 2950-2956, 2018.