Algoritma Genetika dalam Penjadwalan Mata Kuliah: Eksplorasi Metode Crossover, Mutasi, dan Seleksi Terbaik
DOI:
https://doi.org/10.47701/dutacom.v17i2.3948Keywords:
Algoritma Genetika, Penjadwalan Mata Kuliah, Kombinasi Metode, Crossover, MutasiAbstract
Penjadwalan mata kuliah adalah masalah kompleks yang dihadapi institusi pendidikan tinggi, memerlukan metode efisien dan efektif untuk menempatkan mata kuliah dengan mempertimbangkan berbagai kendala. Penelitian ini mengevaluasi pengaruh kombinasi metode crossover, mutasi, dan seleksi dalam algoritma genetika terhadap penjadwalan mata kuliah. Metode yang diuji meliputi Kombinasi Single Point, Cycle, dan Uniform Crossover; Binary dan Swap Mutation; serta Tournament, Ranking, dan Truncation Selection. Hasil penelitian menunjukkan bahwa metode Kombinasi Single Swap Tournament memiliki waktu eksekusi tercepat, sementara Kombinasi Cycle Swap Truncation paling lambat. Pada generasi pertama, Kombinasi Uniform Binary Ranking menunjukkan performa terbaik, sedangkan Kombinasi Single Binary Tournament terburuk. Pada generasi terakhir, Kombinasi Single Binary Truncation mencapai performa terbaik, sementara Kombinasi Single Swap Tournament dan Kombinasi Cycle Swap Tournament terburuk. Kombinasi Single Binary Tournament dan Kombinasi Single Swap Tournament menunjukkan performa yang konsisten dengan perbedaan signifikan dalam waktu eksekusi. Untuk aplikasi praktis, Kombinasi Single Swap Tournament direkomendasikan karena efisiensi waktunya. Penelitian lanjutan dapat mengembangkan kombinasi metode untuk meningkatkan performa keseluruhan, dan pengembangan teori baru dapat mengkaji faktor-faktor yang mempengaruhi efisiensi dan efektivitas algoritma genetika dalam penjadwalan kuliah.
References
Andriyadi, A., & Halimah, H. (2022). Optimasi Algoritma Genetika dalam Perancangan Sistem Informasi Penjadwalan Seminar dan Sidang Skripsi Mahasiswa Institut Informatika dan Bisnis (IIB) Darmajaya. TEKNIKA: Jurnal Ilmiah Bidang Ilmu Rekayasa, 16(1), 133-140.
Banihashemian, S. S., & Adibnia, F. (2021). A novel robust soft-computed range-free localization algorithm against malicious anchor nodes. Cognitive Computation, 13(4), 992-1007.
Chen, S. H., & Chen, M. C. (2011, November). Operators of the two-part encoding genetic algorithm in solving the multiple traveling salesmen problem. In 2011 International Conference on Technologies and Applications of Artificial Intelligence (pp. 331-336). IEEE.
Ewi, E. I., & Radiles, H. (2023). Mitigasi Premature Convergence Pada Genetic Algorithm Menggunakan Metoda Dynamics Growth Population Dalam Kasus University Course Scheduling. JEKIN-Jurnal Teknik Informatika, 3(1), 33-44.
Fajarlestari, M. K., & Suban, I. B. (2023). Kombinasi Crossover dan Mutasi Terbaik pada Algoritma Genetika dalam Penjadwalan Mata Kuliah. Techno. com, 22(4).
John, H. (1992). Holland. genetic algorithms. Scientific american, 267(1), 44-50.
Raisanen, L. (2005). Multi-objective site selection and analysis for GSM cellular network planning. Cardiff University (United Kingdom).
Rimalia, W. (2023). Penerapan Algoritma Genetika serta Metode TOPSIS Sebagai Solusi Penjadwalan Mata Kuliah. Journal of System and Computer Engineering (JSCE), 4(1), 92-105.
Salman, R. (2023). A, Analisis Pengaruh Probabilitas Crossover Terhadap Kinerja Algoritma Genetika Dalam Optimasi Penjadwalan Matakuliah. Jurnal Teknoif Teknik Informatika Institut Teknologi Padang, 11(2), 69-74.
Syawal, M., Belluano, P. L. L., & Manga, A. R. (2021). Implementasi Algoritma Genetika Untuk Penjadwalan Laboratotium Fakultas Ilmu Komputer Universitas Muslim Indonesia. Indonesian Journal of Data and Science, 2(1), 29-37.
Yuan, Y., Wang, W., Coghill, G. M., & Pang, W. (2021). A novel genetic algorithm with hierarchical evaluation strategy for hyperparameter optimisation of graph neural networks. arXiv preprint arXiv:2101.09300.
