Optimasi Extended Genetic Algorithm Dalam Memecahkan Masalah Penjadwalan Perkuliahan Dengan Strategi Greedy

Wawan Gunawan

doi:10.31294/ji.v8i2.10613

Optimasi Extended Genetic Algorithm Dalam Memecahkan Masalah Penjadwalan Perkuliahan Dengan Strategi Greedy

Wawan Gunawan

Abstract

Penentuan jadwal merupakan proses yang cukup rumit karena melibatkan beberapa faktor determinan, bagi tingkat universitas penentuan jadwal mengajar dosen sangat ditentukan berdasarkan keahlian masing-masing dosen dalam mengampu mata kuliah dan juga ketersediaan waktu mengajar. Penjadwalan pada tingkat universitas akan dipengaruhi oleh jam mengajar, ruang kelas, dosen pengampu, mata kuliah, kelas. Pada penelitian ini kami mengusulkan penggunaan extended genetic algorithm (EGA) dalam penjadwalan dengan strategi greedy dan pembatasan jumlah mengajar dosen berdasarkan kebijakan universitas untuk masing-masing jenis dosen. Proses perhitungan berdasarkan algoritma dan juga kemudahan aplikasi telah sesuai atau belum. Hasil dari kuisioner penilaian yang dilakukan oleh 20 orang pengguna telah memberikan nilai 100% untuk kesesuaian proses perhitungan yaitu dari penilaian A – E, sedangkan untuk kenyamanan aplikasi dari point F – G adalah sebesar 92,5% yang menyatakan nyaman, dan 7,5% yang menyatakan kurang nyaman.

Keywords

Extended Genetic Algorithm, Greedy, penjadwalan

Full Text:

PDF (Bahasa Indonesia)

References

W. Zhang, J. Ding, Y. Wang, S. Zhang, and Z. Xiong, “Multi-perspective collaborative scheduling using extended genetic algorithm with interval-valued intuitionistic fuzzy entropy weight method,” J. Manuf. Syst., vol. 53, no. October, pp. 249–260, 2019, doi: 10.1016/j.jmsy.2019.10.002.

V. N. Wijayaningrum and W. F. Mahmudy, “Optimization of ship’s route scheduling using genetic algorithm,” Indones. J. Electr. Eng. Comput. Sci., vol. 2, no. 1, pp. 180–186, 2016, doi: 10.11591/ijeecs.v2.i1.pp180-186.

A. N. Toscany and R. Roestam, “Pengembangan Sistem Penjadwalan Kuliah Menggunakan Algoritma Genetik (Studi Kasus : Pascasarjana Universitas Jambi),” J. Manaj. Sist. Inf., vol. 2, no. 2, pp. 379–393, 2017, [Online]. Available: http://www.jurnalmsi.stikom-db.ac.id/index.php/jurnalmsi/article/view/120.

S. Mauluddin, I. Ikbal, and A. Nursikuwagus, “Optimasi Aplikasi Penjadwalan Kuliah Menggunakan Algoritma Genetik,” J. Resti (Rekayasa Sist. dan Teknol. Informasi), vol. 1, no. 1, pp. 19–25, 2017.

. A. Mangkuto, “Optimasi Perletakan Luminer Untuk Pencahayaan Ruang Industri Dengan Menggunakan Algoritma Genetik,” vol. 19, no. 1, pp. 1–11, 2017.

R. Hadi, “Optimasi Fitur dalam Klasterisasi Mahasiswa Program Studi Sistem Informasi Dengan Algoritma Genetik,” Techno.Com, vol. 16, no. 3, pp. 249–255, 2017, doi: 10.33633/tc.v16i3.1392.

M. Akbari, H. Rashidi, and S. H. Alizadeh, “An enhanced genetic algorithm with new operators for task scheduling in heterogeneous computing systems,” Eng. Appl. Artif. Intell., vol. 61, no. March 2016, pp. 35–46, 2017, doi: 10.1016/j.engappai.2017.02.013.

S. Ni Luh Gede Pivin, S. I Made, and D. Suta, “Penerapan Algoritma Genetika Untuk Penjadwalan Mata Pelajaran,” J. Appl. Intell. Syst., vol. 1, no. 3, pp. 220–233, 2016.

A. A. Rahmani Hosseinabadi, J. Vahidi, B. Saemi, A. K. Sangaiah, and M. Elhoseny, “Extended Genetic Algorithm for solving open-shop scheduling problem,” Soft Comput., vol. 23, no. 13, pp. 5099–5116, 2019, doi: 10.1007/s00500-018-3177-y.

I. K. Gede, D. Putra, and I. N. S. Kumara, “PENENTUAN KOMPETENSI MAHASISWA DENGAN ALGORITMA GENETIK DAN METODE FUZZY C-,” vol. 15, no. 2, 2016.

P. Borisovsky, A. Eremeev, and J. Kallrath, “Multi-product continuous plant scheduling: combination of decomposition, genetic algorithm, and constructive heuristic,” Int. J. Prod. Res., vol. 58, no. 9, pp. 2677–2695, 2020, doi: 10.1080/00207543.2019.1630764.

Z. Zhou, F. Li, H. Zhu, H. Xie, J. H. Abawajy, and M. U. Chowdhury, “An improved genetic algorithm using greedy strategy toward task scheduling optimization in cloud environments,” Neural Comput. Appl., vol. 32, no. 6, pp. 1531–1541, 2020, doi: 10.1007/s00521-019-04119-7.

K. Nitisiri, M. Gen, and H. Ohwada, “A parallel multi-objective genetic algorithm with learning based mutation for railway scheduling,” Comput. Ind. Eng., vol. 130, no. February, pp. 381–394, 2019, doi: 10.1016/j.cie.2019.02.035.

Z. K. Feng, W. J. Niu, J. Z. Zhou, C. T. Cheng, H. Qin, and Z. Q. Jiang, “Parallel multi-objective genetic algorithm for short-term economic environmental hydrothermal scheduling,” Energies, vol. 10, no. 2, 2017, doi: 10.3390/en10020163.

X. Zan, Z. Wu, C. Guo, and Z. Yu, “A Pareto-based genetic algorithm for multi-objective scheduling of automated manufacturing systems,” Adv. Mech. Eng., vol. 12, no. 1, pp. 1–15, 2020, doi: 10.1177/1687814019885294.

I. Manggolo, M. I. Marzuki, and M. Alaydrus, “Optimalisasi Perencanaan Jaringan Akses Serat Optik Fiber To The Home Menggunakan Algoritma Genetika,” J. Telekomun. dan Komput., vol. 2, no. 1, p. 21, 2017, doi: 10.22441/incomtech.v2i1.1102.

L. R. Abreu, J. O. Cunha, B. A. Prata, and J. M. Framinan, “A genetic algorithm for scheduling open shops with sequence-dependent setup times,” Comput. Oper. Res., vol. 113, p. 104793, 2020, doi: 10.1016/j.cor.2019.104793.

F. Pezzella, G. Morganti, and G. Ciaschetti, “A genetic algorithm for the Flexible Job-shop Scheduling Problem,” Comput. Oper. Res., vol. 35, no. 10, pp. 3202–3212, 2008, doi: 10.1016/j.cor.2007.02.014.

B. Keshanchi, A. Souri, and N. J. Navimipour, “An improved genetic algorithm for task scheduling in the cloud environments using the priority queues: Formal verification, simulation, and statistical testing,” J. Syst. Softw., vol. 124, pp. 1–21, 2017, doi: 10.1016/j.jss.2016.07.006.

I. Nurhaida, D. Ramayanti, and I. Nur, “Performance Comparison based on Open Shortest Path First (OSPF) Routing Algorithm for IP Internet Networks,” Commun. Appl. Electron., vol. 7, no. 31, pp. 12–25, 2019, doi: 10.5120/cae2019652838.

DOI: https://doi.org/10.31294/ji.v8i2.10613