Optimasi Penjadwalan Cerdas Menggunakan Algoritma Memetika

Sistem penjadwalan kuliah memiliki permasalahan yang kompleks karena adanya berbagai komponen yang terdiri dari mata kuliah, dosen, ruang kelas, dan slot waktu perkuliahan dengan memperhatikan batasan dan syarat tertentu yang harus dipenuhi. Pada implementasinya, ketika banyaknya dosen mata kuliah yang harus dijadwalkan maka proses penjadwalan membutuhkan waktu yang lama dan tingkat ketelitian yang tinggi. Untuk itu algoritma memetika diterapkan untuk menyelesaikan permasalahan ini. Menurut beberapa jurnal algoritma memetika dinilai lebih baik dari algoritma heuristic lainnya dalam menyelesaikan permasalahan penjadwalan yang besar datanya. Adapun tahapan algoritma memetika yang dianalisis dimulai dari pembangunan kromosom-kromosom yang nantinya akan menjadi calon solusi lalu pencarian nilai fitness, seleksi, crossover (pindah silang), mutasi, dan pencarian lokal. Berdasarkan hasil pengujian, algoritma memetika mampu menyelesaikan permasalahan penjadwalan data yang banyak. Proses pencarian lokal sangat membantu dalam peningkatan kualitas dari individu tiap generasinya. Proses pencarian lokal juga dapat mengatasi nilai lokal optimal yang sering terjadi di algoritma genetika ketika data masukannya sangat banyak. Nilai parameter yang didapatkan adalah 0.95 untuk probabilitas crossover dan 0.10 untuk probabilitas mutasi. Didapatkan juga, ketika jumlah dosen yang memiliki soft constraint semakin banyak maka soft constraint yang dilanggar akan semakin banyak.

University courses timetabling problem are complex problems, because the various component consisting of lecture, lecturers, classrooms, and a time slot lecture with regard to scope and certain conditions must be fulfilled. In its implementation, when many lecture to be due process scheduling then took old and thoroughness high level. For that algorithms memetic applied to resolve this case. According to several journal memetic algorithms is better than algorithms other heuristic in overcoming great scheduling data. Memetic algorithm analyzed started from development chromosome�s who will eventually be candidates solution and search value fitness, selection, crossover, mutation, and the local search. Based on the results of testing, algorithm memetic able to solve problems scheduling many data. The process of the local search very helpful to improve the quality of of an individual every generation. The search was also be able to address value local optimal often occurring in algorithm genetics when data input is many. Value parameter or is 0.95 to probability crossover and 0.10 to probability mutation. Obtained also, when the number of lecturer having soft constraint the more so soft constraint of being violated will increase.