slide seminar
DESCRIPTION
persiapan seminar TA 1TRANSCRIPT
![Page 1: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/1.jpg)
Perbandingan Algoritma Genetika dan Particle Swarm Optimization dalam Optimasi Penjadwalan Mata Kuliah
Disusun Oleh : Yuniar MarbunNIM : 090155201007
Teknik InformatikaFT UMRAH
![Page 2: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/2.jpg)
Latar BelakangPenjadwalan mata kuliah dalam suatu
universitas merupakan hal yang perlu diperhatikan dalam menunjang proses perkuliahan.
Aspek penjadwalan mata kuliah : mata kuliah, dosen pengajar, alokasi waktu dan ketersediaan ruang.
Berbagai Metode Optimasi evolusioner yang dapat digunakan dalam masalah pengoptimasian
Metode yang digunakan adalah Algortima Genetika dan Particle Swarm Optimization
![Page 3: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/3.jpg)
Perumusan Masalah
membandingkan dua algoritma optimasi dalam studi kasus penjadwalan kuliah dan menerapkannya dalam aplikasi penjadwalan mata kuliah.
![Page 4: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/4.jpg)
Tujuan Penelitian
1. Membangun aplikasi penjadwalan dengan metode GA dan PSO
2. Mengetahui algoritma yang lebih optimal digunakan antara GA dan PSO dalam penyusunan jadwal dilihat dari faktor waktu komputasi
![Page 5: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/5.jpg)
Pembatasan Masalah1. Aplikasi yang dibuat adalah aplikasi
berbasis desktop.2. Aplikasi yang dibuat diterapkan untuk
pengolahan mata kuliah di FIKP Universitas Maritim Raja Ali Haji kelas reguler.
3. Aplikasi dibuat untuk mengatur jam mengajar, ruang, dosen pengajar dan mata kuliah.
4. Parameter pengujian dalam pengujian perangkat lunak yaitu jumlah data yang digunakan dan metode yang digunakan.
![Page 6: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/6.jpg)
Manfaat Penelitian
1. Dapat digunakan untuk membantu penjadwalan matakuliah di Universitas Negeri Maritim Raja Ali Haji, khususnya Fakultas Ilmu Kelautan dan Perikanan(FIKP).
2. Sebagai bahan studi perbandingan dan pengembangan lebih lanjut mengenai penelitian dan aplikasi penjadwalan, khususnya yang menggunakan algoritma genetika dan Particle Swarm Optimization.
![Page 7: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/7.jpg)
Kajian LiteraturEmad Elbetagi, Tarek Hegazy dan Donald Grierson(2005)
membandingkan lima algoritma optimasi berbasis evolusi, yaitu Algoritma Genetika, Algoritma Memetika, Particle Swarp Optimization, Koloni Lebah, dan Shuffle Frog Leaping.
Chastine Fatichah, Imam Artha Kusuma, Yudhi Purwananto(2006) membadingkan kinerja algoritma genetika dengan Bivariate Marginal Distribution Algorithm pada kasus Onemax, Fungsi De Jong F2, dan Travelling Salesman Problem.
Komang Setemen (2008) membandingkan kinerja algoritma genetika dan kombinasi antara algoritma genetika dan tabu search dalam optimasi generate penjadwalan mata kuliah.
![Page 8: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/8.jpg)
Metodologi PenelitianAlgoritma GenetikaAlgoritma Genetika adalah adalah algoritma yang digunakan untuk proses pencarian dan optimasi yang didasarkan pada prinsip genetika dan proses seleksi secara alami
![Page 9: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/9.jpg)
Metodologi Penelitianstruktur umum dari suatu algoritma genetika dapat didefiniskan dengan langkah-langkah sebagai berikut:
1. Pembangkitan populasi awal secara acak sehingga didapatkan solusi awal. Populasi itu sendiri terdiri atas sejumlah kromosom yang merepresentasikan solusi yang diinginkan.2. Pembentukan generasi baru. Dalam pembentukan generasi baru diperlukan 3 operator, yaitu operator reproduksi/seleksi, crossover, dan mutasi. Proses ini dilakukan berulang-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru.
![Page 10: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/10.jpg)
Metodologi PenelitianParticle Swarm Optimization
Particle Swarm Optimization (PSO) adalah salah satu teknik komputasi evolusioner, yang mana populasi pada PSO didasarkan pada penelusuran algoritma dan diawali dengan suatu populasi yang random yang disebut dengan particle. Setiap partikel dalam PSO juga berhubungan dengan velocity (kecepatan), dimana partikel-partikel tersebut bergerak melalui penelusuran ruang dengan velocity yang dinamis disesuaikan menurut perilaku historisnya. Oleh karena itu partikel-partikel mempunyai kecenderungan untuk bergerak ke area penelusuran yang lebih baik setelah melalui proses penelusuran.
![Page 11: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/11.jpg)
Metodologi PenelitianAdapun prosedur standar untuk menerapkan algoritma PSO adalah sebagai berikut : Inisialisasi populasi dari partikel-partikel dengan posisi dan velocity
secara acak dalam satu ruang dimensi penelusuran.Evaluasi fungsi fitness optimisasi yang diinginkan di dalam variabel d
pada setiap partikel.Membandingkan evaluasi fitness partikel dengan Pbestnya. Jika nilai
yang ada lebih baik dibandingkan nilai Pbestnya, maka Pbest diset sama dengan nilai tersebut dan Pi sama dengan lokasi dengan partikel yang ada Xi dalam ruang dimensional d.
Identifikasi partikel dalam lingkungan dengan hasil terbaik sejauh ini.Update velocity dan posisi partikel.Kembali ke step 2 sampai kriteria terpenuhi, biasanya berhenti pada
nilai fitness yang cukup baik atau sampai pada jumlah maksimum iterasi.
![Page 12: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/12.jpg)
Pembangunan Model Use Case Diagram
![Page 13: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/13.jpg)
Kerangka Pikir Penelitian
![Page 14: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/14.jpg)
Jadwal Penelitian
![Page 15: slide seminar](https://reader036.vdocuments.net/reader036/viewer/2022082320/54535320b1af9faa288b45d5/html5/thumbnails/15.jpg)
Daftar Pustaka Ahmad Basuki, 2003. Algoritma Genetika, Suatu Alternatif Penyelesaian Permasalahan Searching,
Optimasi dan Machine Learning. PENS-ITS Surabaya. Chastine Fatichah, Imam Artha Kusuma, Yudhi Purwananto, 2006. Studi Perbandingan Antara
Algoritma Bivariate Marginal Distribution dengan Algoritma Genetika. Jurnal. Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya.
David E.Goldberg, 1989. Genetic Algorithm in Search, Optimization & Machine Learning. Addison- Wesley Publishing Company-Inc.
Debby Paseru, Rila Mandala, Rubby Padang, Lady Ngala, 2007. Sistem Informasi Pengaturan Jadwal Mata Kuliah (Studi Kasus : Universitas Katolik De La Salle Manado). Jurnal, diterbitkan. Jurusan Teknik Informatika ITB, Program Studi Teknik Informatika Unika De La Salle Manado.
Dian Ariani, 2007. Optimasi Penjadwalan Mata Kuliah di Jurusan Teknik Informatika PENS dengan Menggunakan Algoritma Particle Swarm Optimization (PSO). Politeknik Elektronika Negeri Surabaya.
Emad Elbetagi, Tarek Hegazy dan Donald Grierson, 2005. Comparison among five evolutionary-based optimization algorithms. Jurnal terpublikasi. Department of Structural Engineering, Mansoura University, Department of Civil Engineering, University of Waterloo.
Komang Setemen(2008). Implementasi Algoritma Genetika dalam Pengembangan Sistem Aplikasi Penjadwalan Kuliah.Jurnal, diterbitkan. Jurusan Manajemen Informatika Fakutas Teknik dan Kejuruan Universitas Pendidikan Ganesha.
Maickel Tuegeh, Adi Soeprijanto, Mauridhi Hery P, 2009. Optimal Generator Scheduling Based on Particle Swarm Optimization. Jurnal terpublikasi. Jurusan Teknik Elektro UNSRAT Manado, Jurusan Teknik Elektro ITS, Surabaya.
Sri Kusumadewi. Artificial Intelligence. Graha Ilmu, Yogyakarta, 2003.