Perbandingan Model Algoritma Particle Swarm Optimization dan Algoritma Genetika pada Penjadwalan Perkuliahan

Abstract

At this research is studied by using of model particle swarm optimization algorithm and genetic algorithm at case of lecturing scheduling. This research aim to know the level stability of particle swarm optimization algorithm and genetic algorithm in reaching of the best generation (iteration), then analyse the work process of the particle swarm optimization algorithm and genetic algorithm to lecturing scheduling. Base on research result is got that way of job genetic algorithm more stable in getting the best generation (iteration) than particle swarm optimization algorithm. At particle swarm optimization algorithm, got solution in reaching the best value fitness in each iteration require the longer time, because the greater becomes of iteration so will longer time is required. The scheduling result to be expected to fulfill 5 criterion that is: 1. The available of rooms to each lecturing, 2. Whether available rooms fulfill the capacities sum up the student to follow the lecturing or not, 3. The available of laboratory to each lecturing needing laboratory, 4. Is not happened by the collision of instructor schedule (a instructor is not permitted to own more than one lecturing on and same clock), 5. Is not happened by the collision of student schedule in each lecturing ( student is not permitted to own more than one lecturing on and same clock).

Pada penelitian ini dibahas penggunaan model algoritma particle swarm optimization dan algoritma genetika pada kasus penjadwalan perkuliahan. Penelitian ini bertujuan untuk mengetahui tingkat kestabilan (stability) algoritma particle swarm optimization dan algoritma genetika dalam mencapai generasi (iterasi) terbaik, kemudian menganalisis proses kerja algoritma particle swarm optimization dan algoritma genetika terhadap penjadwalan perkuliahan. Berdasarkan hasil penelitian maka didapat bahwa cara kerja algoritma genetika lebih stabil dalam mendapatkan generasi (iterasi) terbaik dibandingkan dengan algoritma particle swarm optimization. Pada algoritma PSO solusi yang didapatkan dalam mencapai nilai fitness terbaik pada saat stabil dalam setiap iterasinya membutuhkan waktu yang lebih lama, karena semakin besar iterasinya maka akan semakin lama pula waktu yang dibutuhkan. Penjadwalan yang dihasilkan diharapkan memenuhi 5 kriteria yakni: 1. Tersedianya ruangan untuk setiap perkuliahan, 2. Apakah ruangan yang tersedia memenuhi kapasitas jumlah mahasiswa yang akan mengikuti perkuliahan atau tidak, 3. Tersedianya laboratorium untuk setiap perkuliahan yang memerlukan laboratorium, 4. Tidak terjadi tabrakan jadwal pengajar (seorang pengajar tidak diijinkan memiliki lebih dari satu perkuliahan pada hari dan jam yang sama), 5. Tidak terjadi tabrakan jadwal mahasiswa pada setiap perkuliahan (mahasiswa tidak diijinkan memiliki lebih dari satu perkuliahan pada hari dan jam yang sama).