Penjadwalan Iklan Pada Stasiun Radio Komersial Menggunakan Algoritma Genetika

DAFTAR PUSTAKA

Aryawarman, Q. S., & Setiawan, R., 2007. Sistem Penjadwalan Iklan Pada Radio Megantara Fm Nganjuk Dengan Algoritma Dynamic Priority Schedulling. Prosiding Seminar Nasional Sistem & Teknologi Informasi (SNASTI), 22 Agustus 2007.

Fariza, A., Martiana, E., Sucipto H., 2006. Aplikasi Algoritma Genetika Multi Obyektif pada Traveling Salesman Problem. Politeknik Elektronika Negeri Surabaya ITS.

Fitrah, Aulia, Achmad Zaky, Fitrasani. Penerapan Algoritma Genetika pada Persoalan Pedagang Keliling (TSP). Institut Teknologi Bandung: Program Studi Informatika, Sekolah Teknik Elektro dan Informatika

Gen, M. dan Cheng, R. 1997. Genetic Algorithms and Engineering Design. Newyork: Jhon Wiley & Sons, Inc.

Goldberg, D. E. 1989. Genetic Algorithms in Search, Optimization and Machine Learning. Canada: Addison-Wesley Publishing.

Indira K & Kanmani, 2012. Performance Analysis of Genetic Algorithm for Mining Association Rules. International Journal of Computer Science Issues, Vol. 9, Issue 2, No 1, March 2012. Department of CSE, Pondicherry Engineering College Puducherry, 605014, India.

Karegowda, A. G., Manjunath, A.S. & Jayaram, M.A., 2011. Application of genetic algorithm Optimized neural network Connection weights for medical Diagnosis of pima Indians diabetes, International Journal on Soft Computing (IJSC), Vol.2, No.2, May 2011. Dept. of Master of Computer Applications, Siddaganga Institute of Technology, Tumkur, India.

Lukas S., Anwar T., Yuliani W. (2005). Penerapan Algoritma Genetika untuk Traveling Salesman Problem dengan Menggunakan Metode Order Crossover dan Insertion Mutation. Seminar Nasional Aplikasi Teknologi Informasi 2005 : I-2. Nugraha, Ivan. 2008. “Aplikasi algoritma genetik untuk optimasi penjadwalan kegiatan belajar mengajar”. Dalam Strategi Algoritmik 2008. Bandung, Indonesia: Institut Teknologi Bandung.

Obitko, Marek. (1998). Introduction To Genetic Algorithms. University of Applied Sciences.

Sivanandam, S. N. dan Deepa S. N. 2008. Introduction to Genetic Algorithms. New York: Springer-Verlag Berlin Heidelberg.

Sofge, D. A, 2002. Using Genetic Algorithm Based Variable Selection to Improve Neural Network Models for Real-World Systems. Proceedings of the 2002 International Conference on Machine Learning 7 Applications. Navy Center for Applied Research in Artificial Intelligence Naval Research Laboratory Washington, D.C., U.S.A.

Soraya, D.T. 2007. Penjadwalan Perkuliahan Dengan Pendekatan Constraint Programming. Skripsi. Jakarta, Indonesia : Fakultas Ilmu Komputer Universitas Indonesia.

Tamba, G.M.P. 2004. Sistem Penjadwalan Perkuliahan Menggunakan Algoritma Genetika(Studi Kasus Fakultas Matematika dan IPA IPB). Skripsi. Bogor, Indonesia : Institut Pertanian Bogor.

BAB 3

ANALISIS DAN PERANCANGAN

3.1 Identifikasi Masalah padaPenjadwalan Iklan Radio

Penjadwalan iklan adalah masalah menempatkan waktu dan ruangan kepada sejumlah iklan dengan beberapa variabel tanggal, jam, menit, durasi dan frekuensi pemutaran penempatan waktu kepada iklan dengan memperhatikan sejumlah aturan yang berhubungan dengan kapasitas dan lokasi dari ruangan yang tersedia, waktu bebas yang diperlukan dan sejumlah aturan lain yang berkaitan. Komponen-komponen utama dari penjadwalan sebuah iklan adalah tanggal, jam, menit, durasi dan frekuensi pemutaran yang ditawarkan. Hasil dari proses penjadwalan merupakan pengelompokan komponen-komponen utama secara bersama-sama dengan memperhatikan aturan-aturan yang telah ditetapkan dalam penjadwalan.

Pada penjadwalan Iklan Radio yang akan dibahas pada penelitian ini adalah pemutaran iklan yang dilakukan pada jadwal siar radio yaitu antara jam 5 pagi sampai jam 24 malam dengan aturan setiap 15 menit disediakan 3 slot pemutaran iklan dengan durasi per iklan maksimum 1 menit. Jadi jika waktu siar radio per hari ada 19 jam, maka jumlah maksimum iklan per hari yang dapat ditayangkan adalah 76 iklan.

Aturan lainnya adalah diberlakukannya Prime Time yaitu jam-jam di mana masyarakat umum (pendengar) mempunyai peluang terbesar mendengarkan radio yaitu antara jam 6:00-10:00 pagi dan jam 16:00-20:00 malam. Jumlah pemutaran iklan yang sama pada satu hari dibatasi untuk Prime Time yaitu 5 kali, sedangkan untuk regular time 8 kali.

3.1.1 Arsitektur Umum

Desain arsitektur umum adalah proses menggambarkan alur dan interaksi antar komponen dalam suatu sistem. Desain arsitektur dari suatu sistem yang merepresentasikan struktur data komponen pada aplikasi yang diperuntukkan dalam membangun suatu sistem (Pressman, 2010). Perancangan aplikasi ini akan dijabarkan pada arsitektur umum optimasi penjadwalan iklan pada stasiun radio komersial menggunakan algoritma genetika seperti yang dapat dilihat pada Gambar 3.1.

Proses algorima genetika

Gambar 3.1 Arsitektur umum

Input genetika adalah parameter genetika, tanggal pemutaran, data Iklan serta jumlah putar. Hasil output berupa elemen genetika yang berupa jadwal pemutaran iklan.

3.1.2 Algoritma Genetika untuk Penjadwalan Iklan Radio

Dalam proses penjadwalan iklan, ada beberapa hal penting yang harus dilakukan untuk penerapan agoritma genetika seperti pengkodean kromosom, membangkitkan populasi awal, proses seleksi, proses crossover, proses mutasi sampai dengan proses perulangan regenerasi memenuhi syarat atau tidak.

3.1.3 Representasi Kromosom

Algoritma genetika dalam masalah penjadwalan diperlukan representasi kromosom. Output

Jika Fitness Rata-rata = 1 atau Kromosom ber

fitness 1 = Maks Mulai

Tanggal Putar Data Iklan Jumlah Putar Parameter

Lakukan Mutasi Perbaharui Populasi

Kromosom dengan Fitnes Tertinggi

Ambil Populasi Kromosom dengan nilai Fitness tertinggi

Lakukan Crossover Input

Inisialisasi Kromosom

Hitung Fitness untuk Setiap Kromosom Tampilkan elemen

kromosom sebagai jadwal

matriks merepresentasikan jumlah iklan, sedangkan n atau kolom pada matriks merepresentasikan kromosom yaitu IDIklan, IDHari dan IDWaktu. Representasi kromosom mendefinisikan jumlah dari gen yang digunakan dan dapat mewakili solusi dari masalah. Dalam menentukan sebuah solusi permasalahan yang timbul diwakili dengan satu set parameter. Parameter ini dinamakan gen yang bersatu untuk membentuk kromosom.

Untuk setiap kromosom mengkodekan IDIklan, IDHari dan IDWaktu. Pemutaran iklan yang dilakukan pada jadwal siar radio yaitu antara jam 5 pagi sampai jam 24 malam dengan aturan setiap 15 menit disediakan 3 slot yaitu pada menit ke 15, 30 dan 45 pada setiap jam. Pada masing-masing slot iklan dilakukan pemutaran 3 iklan dengan durasi per iklan maksimum 1 menit. Jadi jika waktu siar radio per hari ada 19 jam, maka jumlah maksimum iklan per tanggal putar yang dapat ditayangkan adalah 19 jam x 3 slot x 3 iklan menjadi 171 iklan. Jadi panjang kromosom itu sendiri dari satu individu adalah sebanyak 171 kromosom dari jumlah iklan yang akan disiarkan. Sedangkan panjang satu kromosom terdiri dari 3 gen. Populasi awal tersebut kemudian dibangkitkan secara acak untuk selanjutnya dilakukan proses evaluasi setiap kromosomnya. Representasi kromosom dalam penelitian ini dapat dijelaskan pada Tabel 3.1.

Tabel 3.1 Representasi Kromosom

Kromosom IDIklan IDHari IDWaktu

1 0022 5 03

2 0006 3 12

3 0010 1 14

. . . . . . . . . . . .

171 0171 7 04

Dari tabel 3.1 diatas, dapat dijelaskan pada matriks baris pertama dan kolom pertama yaitu: Kromosom 1 berisikan IDIklan = 0022 (Iklan-1), IDhari = 5 dan IDWaktu = 03. Representasi kromosom jadwal penyiaran iklan dibuat secara acak dengan cara sebagai berikut:

1. Menentukan jumlah jam pemutaran sesuai dengan jumlah slot iklan. 2. Acak nilai gen IDIklan dari 0001 sampai 0171

3. Acak nilai gen IDWaktu dari 01 sampai 99 (Jam 05:15-24:00) 4. Jumlah Pemutaran iklan sesuai permintaan.

Simpan nilai gen kromosom yang terdiri dari IDIklan, IDHari dan IDWaktu yang telah diacak ke dalam tabel kromosom.

3.1.4 Inisialisasi Populasi

Proses inisialisasi populasi dibuat dengan cara membangkitkan populasi acak tanpa memperhatikan nilai fungsi Fitness. Proses ini merupakan proses yang mengkodekan informasi data ke dalam slot kromosom. Inisialisasi populasi dibuat secara acak dari slot kromosom untuk beberapa jumlah individu dalam satu populasi. Adapun tahapan proses dari inisialisasi populasi adalah sebagai berikut:

1. Inisialisasi dibuat dengan memasukkan nilai parameter genetika yaitu populasi awal.

2. Populasi awal = n (jumlah individu).

3. Inisialisasi populasi dibuat dari representasi kromosom sebanyak n.

Inisialisasi populasi dalam penelitian ini berupa individu Prime Time dapat dilihat seperti pada Tabel 3.2.

Tabel 3.2 Representasi Kromosom Individu Prime Time Kromosom IDIklan IDHari IDWaktu

1 0022 3 12

2 0006 3 12

3 0010 1 14

. . .

. . .

. . .

. . .

171 0171 7 04

Tabel 3.3 Representasi Kromosom Individu Reguler Time Kromosom IDIklan IDHari IDWaktu

1 0005 1 11 2 0002 4 29 3 0013 7 03

. . . . . . . . . . . .

693 0076 7 99

3.1.5 Evaluasi Fitness

Fitness akan dihitung berdasarkan jumlah aturan yang dilanggar pada setiap slot kromosom dalam suatu individu. Fitness dapat dihitung melalui rumus persamaan 3.1 di bawah ini (Lee, 2000).

Fitness=1/(1+(Aturan1+Aturan2)……….……….…. (3.1) Aturan yang dimaksud pada penelitian ini yaitu:

1. Aturan 1 adalah tidak boleh terjadi adanya jumlah pemutaran per iklan lebih dari 5 kali dalam satu hari

2. Aturan 2 adalah tidak boleh terjadi adanya dua atau lebih penjadwalan iklan yang ditayangkan pada hari dan waktu yang sama.

Setelah proses inisialisasi populasi, dalam satu individu dapat dihitung Fitness berdasarkan pelanggaran aturan yang terjadi dari setiap kromosom. Evaluasi Fitness dalam 1 populasi dapat dilihat pada Tabel 3.4 di bawah ini:

Tabel 3.4 Populasi (Prime Time)

Kromosom IDIklan IDHari IDWaktu 1 0022 3 12 2 0006 3 12 3 0010 1 14

. . . . . . . . . . . .

Pengecekan pelanggaran aturan pada individu pertama pada tabel 3.4, dapat dilihat terjadinya pelanggaran aturan oleh kromosom 2 dengan kromosom 1. Di mana pada hari dan waktu yang sama terjadi bentrokan pada sisi hari ke 3 dan waktu ke-12. Adapun tahapan proses dari evaluasi Fitness adalah sebagai berikut:

Setiap kromosom dalam satu individu di cek masing-masing nilai gen IDIklan, IDHari dan IDWaktu terkena pelanggaran aturan atau tidak dengan cara mengecek dari kromosom 1 sampai dengan kromosom 504 untuk jenis waktu pemutaran Prime Time dan 693 untuk jenis waktu pemutaran Regular Time. Hitung jumlah kromosom yang terkena pelanggaran aturan dibagi dengan total jumlah kromosom 504 atau 693.

Pseudocode Seleksi adalah langkah program untuk menghitung nilai Fitness berdasarkan jumlah pelanggaran aturan untuk setiap kromosom.

Gen IDIklanIklan_input Gen IDHarihari_input Gen IDWaktuWaktu_input

KromosomIDIklan, IDHari, IDWaktu JumPutar_perIDIklansum(IDIklan) If Prime_Time True then

If JumPutar_perIDIklan> 5 then Aturan_1  1

Else

Aturan 0 End if

ElseIF Prime_Time True then Aturan_1  0

End if

If IDHari1 = IDHari2 then

If IDWaktu1 = IDWaktu2 then Aturan_2  1

Else

Aturan 0 End If

Else

Aturan_2  0 End If

3.1.6 Seleksi

Dalam penelitian ini, metode yang digunakan adalah seleksi roda roulette (roulette wheel selection). Pada seleksi ini, orang tua yang akan dipilih berdasarkan nilai Fitness yang dimilikinya, semakin besar nilai Fitnessnya akan mendapatkan kemungkinan yang lebih besar untuk terpilih sebagai induk. Nilai Fitness pada tabel 3.2, di dapat dari persamaan rumus 3.1. Besarnya kemungkinan bagi setiap kromosom adalah tergantung dari nilai Fitness-nya seperti pada Tabel 3.5:

Tabel 3.5 Nilai Fitness

Individu (n) Fitness Persentase (%) 1 0.33 6.4 2 0.50 9.7 3 0.50 9.7 4 0.33 6.4 5 0.33 6.4 6 0.50 9.7 7 0.33 6.4 8 1 19.4 9 1 19.4 10 0.33 6.4 Total 5.15

Persentase dapat dihitung melalui rumus persamaan 3.2 di bawah ini.

Persentase = ………..………. (3.2)

Pada table dapat dilihat probabilitas terpilihnya individu untuk dilakukan proses seleksi. Individu 8 memiliki probabilitas yang terbesar dengan 19,4 % terpilih sebagai induk pertama untuk pembentukan keturunan baru pada pemilihan individu untuk proses crossover kromosom. Dan individu 9 dengan probabilitas 19,4 % terpilih sebagai induk kedua untuk pembentukan keturunan baru pada pemilihan individu untuk proses crossover kromosom.

3.1.7 Crossover

Apabila proses seleksi telah dilaksanakan dan sudah terpilih induk baru, maka tahapan selanjutnya dari operator algoritma genetika adalah crossover. Crossover adalah cara

mengkombinasikan gen-gen induk untuk menghasilkan keturunan baru. Crossover yang digunakan pada penilitian ini adalah crossover satu titik. Pada crossover ini dilakukan dengan cara menukar nilai gen pada posisi gen yang sama dari kedua induk. Berikut ini adalah tahapan proses crossover kromosom dua individu induk dengan menukarkan nilai gen IDHari, IDWaktu:

Kromosom 1 Induk 1:

Kromosom8 0006 3 22

Kromosom 1 Induk 2:

Kromosom 9 0010 1 14

Dan berikut ini adalah hasil generasi proses crossover dari dua individu induk:

Anak 1 Induk 1

0006 1 14 Anak 1 Induk 2

0010 3 22 Gambar 3.2 Ilustrasi Crossover Satu Titik

Pseudocode Crossover adalah langkah program untuk melakukan kawin silang antar 2 pasang kromosom yang terpilih berdasarkan nilai Fitness yang terbesar.

Jum_IndividuSum(Individu)

Jum_Pasangan_kromosomJum_Individu / 2 For X = 1 to Jum_Pasangan_kromosom

Kromosom_1  Kromosom_Fitness_Desc1 (IDIklan1, IDHari1, IDWaktu1) Kromosom_2  Kromosom_Fitness_Desc2 (IDIklan2, IDHari2, IDWaktu2) Kromosom_Anak_1  IDIklan1, IDHari2, IDWaktu2

Kromosom_Anak_2  IDIklan2, IDHari1, IDWaktu1 Next

3.1.8 Mutasi

Tahapan selanjutnya setelah melakukan proses crossover yaitu mutasi. Mutasi dilakukan dengan cara memilih salah satu gen secara acak kemudian gen yang terpilih

disisipkan ke posisi yang lain. Kromosom yang bermutasi dipilih secara acakdan kedua gen yang ada yaitu IDHari dan IDWaktu dipilih secara acak juga. Mutasi akan dilakukan dengan cara memilih secara acak dua posisi gen dari kromosom dan kemudian nilainya diganti dengan nilai acak juga. Berikut ini adalah tahapan proses mutasi kromosom dua individu induk dengan menukarkan gen IDWaktu. Kromosom terpilih secara acak sebanyak nilai probabilitas mutasi adalah sebagai berikut:

Kromosom Acak pada IDWaktu:

Kromosom IDIklan IDHari IDWaktu

2 0006 3 12

Nilai gen IDHari dan IDWaktu dipilih secara acak, misalnya terpilih IDWaktu, selanjutnya cari IDWaktu secara acak antara 1 sampai 72 yaitu jumlah waktu dalam satu hari. Sebagai contoh terpilih nilai 51, maka kromosom hasil mutasi diperoleh sebagai berikut:

Kromosom IDIklan IDHari IDWaktu

2 0006 3 51

Gambar 3.3 Kromosom hasil mutasi IDWaktu Kromosom Acak pada IDHari:

Kromosom IDIklan IDHari IDWaktu

2 0006 3 12

Jika terpilih IDHari, selanjutnya cari IDHari secara acak antara 1 sampai 7 yaitu mewakili hari senin sampai minggu. Sebagai contoh terpilih nilai 7, maka kromosom hasil mutasi diperoleh seperti pada Gambar 3.4.

Kromosom IDIklan IDHari IDWaktu

2 0006 7 12

Gambar 3.4 Kromosom hasil mutasi IDHari

Pseudocode Mutasi adalah langkah program untuk melakukan mutasi pada sebuah kromosom yang terpilih secara acak.

Jum_IndividuSum(Individu)

Jum_Kromosom_MutasinumProbaMutasi * (Jum_Individu x 2) KromosomAcakrand(0 to Jum_Kromosom_Mutasi)

For X = 1 to Jum_Kromosom_Mutasi

NumGenAcakKromosomAcak( IDHari, IDWaktu) NumGenAcak=rand(1,2)

If NumGenAcak=1 then GenAcak “IDHari” IDHari_Acakrand(1,7)

IDGenAcakIDHari_Acak IDHariIDGenAcak

Kromosom_MutasiKromosomAcak (IDIklan, IDHari, IDWaktu) ElseIfNumGenAcak=2 then

GenAcak “IDWaktu” IDWaktu_Acakrand(1,171)

IDGenAcakIDWaktu_Acak IDWaktuIDGenAcak

Kromosom_MutasiKromosomAcak (IDIklan, IDHari, IDWaktu) Endif

Next

3.2 Perancangan Sistem

Perancangan sistem bertujuan untuk menentukan hasil akhir dari software yang akan dibangun dengan melakukan beberapa proses untuk memperoleh hasil tersebut. Pada software penjadwalan iklan dengan menggunakan algoritma genetika, tahap perancangan yang dilakukan mencakup perancangan data, skema relasi, rancangan antarmuka (interface), rancangan prosedural berupa rancangan bagan alir (flowchart). 3.2.1 Rancangan Data

Perancangan data merupakan tahapan untuk memetakan model konseptual ke model data yang akan digunakan. Perancangan data terbagi menjadi dua yaitu skema relasi dan struktur tabel. Di dalam pembuatan aplikasi penjadwalan iklan, database sangat

diperlukan. Karena untuk menyusun jadwal iklan, penulis membutuhkan komponen data yang disimpan dalam bentuk database menggunakan tools MySQL.

3.2.1.1 Struktur Tabel

Didalam pembuatan program dibutuhkan suatu tempat media penyimpanan data yang berupa tabel untuk dapat melakukan kegiatan-kegiatan dalam pengaturan pencarian data.Oleh karena itu, sistem pengolahan data ini membutuhkan spesifikasi tabel.Tabel-tabel yang penulis gunakan yaitu tabel.Tabel-tabel User, Iklan, Waktu,JamPutar, JadwalRTFix serta JadwalRGFix untuk menjalankan proses penjadwalan menggunakan algoritma genetika. Tabel-tabel tersebut, yaitu:

1. Tabel User

Tabel User berfungsi untuk menyimpan informasi tentang pengguna aplikasi penjadwalan radio. Struktur tabel User dapat dilihat seperti pada Tabel 3.6.

Tabel 3.6 Tabel User

Nama Field Jenis Ukuran Keterangan

UserID varchar 20 Nama User

Passwd varchar 10 Password User

2. Tabel Iklan

Tabel Iklan berfungsi untuk menyimpan informasi tentang iklan yang akan diputar pada stasiun radio. Struktur tabel Iklan dapat dilihat seperti pada Tabel 3.7.

Tabel 3.7 Tabel Iklan

Nama Field Jenis Ukuran Keterangan

IDIklan Integer 4 Nomor urut iklan

NmIklan Varchar 50 Nama Iklan

Pemilik Varchar 100 Pemilik Iklan

TglPutar Datetime 8 Tanggal pemutaran

JamPutarPT Integer 3 Jumlah jam pemutaran primetime JamPutarRT Integer 3 Jumlah jam pemutaran regular time

3. Tabel Waktu

Tabel Waktu berfungsi untuk menyimpan informasi tentang Waktu pemutaran iklan pada stasiun radio.Struktur tabel Waktu dapat dilihat seperti pada Tabel 3.8.

Tabel 3.8 Tabel Waktu

Nama Field Jenis Ukuran Keterangan

IDWaktu Integer 2 Nomor urut waktu

Waktu varchar 15 Nama waktu

4. Tabel JamPutar

Tabel JamPutar berfungsi untuk menyimpan informasi jam-jam pemutaran iklan dalam satu hari kerja. Struktur tabel JamPutar dapat dilihat seperti pada Tabel 3.9.

Tabel 3.9 Tabel JamPutar

Nama Field Jenis Ukuran Keterangan

IDJamPutar Integer 2 Nomor urut Jam Putar iklan

IDWaktu Integer 2 Nomor urut waktu

Keterangan varchar 100 Keterangan

TglPutar datetime 8 Tanggal pemutaran

5. Tabel JadwalRTFix

Tabel JadwalRTFix berfungsi untuk menyimpan informasi tentang hasil proses penjadwalan iklan waktu Regular Time pada stasiun radio. Struktur tabel JadwalRTFix dapat dilihat seperti pada Tabel 3.10.

Tabel 3.10 Tabel JadwalRTFix

Nama Field Jenis Ukuran Keterangan

IDJadwal Integer 2 Nomor urut jadwalan iklan

TglPutar datetime 8 Tanggal pemutaran

IDIklan Integer 4 Nomor urut iklan

IDJamPutar Integer 2 Nomor urut Jam Putar iklan

Kromosom varchar 7 kromosom

6. Tabel JadwalPTFix

Tabel JadwalPTFix berfungsi untuk menyimpan informasi tentang hasil proses penjadwalan iklan waktu Prime Time pada stasiun radio. Struktur tabel JadwalPTFix dapat dilihat seperti pada Tabel 3.11.

Tabel 3.11 Tabel JadwalPTFix

Nama Field Jenis Ukuran Keterangan

IDJadwal Integer 2 Nomor urut jadwalan iklan

TglPutar datetime 8 Tanggal pemutaran

IDIklan Integer 4 Nomor urut iklan

IDJamPutar Integer 2 Nomor urut Jam Putar iklan

Kromosom varchar 7 kromosom

3.2.1.2 Relasi Antar Tabel

Relasi antar tabel merupakan pengelompokkan data menjadi tabel-tabel yang menunjang entitas dan relasi yang berfungsi untuk mengakses data item dari setiap database. Relasi antar tabel untuk sistem yang akan dibuat dapat dilihat pada Gambar 3.5 berikut ini.

3.2.2 Flowchart Sistem

Flowchart Sistem penjadwalan iklan dapat dilihat pada Gambar 3.6.

Gambar 3.6 Flow Chart Rancangan Sistem Keterangan:

a. Input Data Iklan

Input data iklan adalah pemasukan informasi iklan berupa nama iklan, tanggal pemutaran serta nama pemilik iklan.

b. Inisialisasi Jadwal Iklan

Proses penentuan jam-jam pemutaran iklan yaitu di setiap 15 menit ada 3 iklan. c. Inisialisasi Aturan

Proses penentuan aturan-aturan pemutaran iklan yaitu antara jam 5 pagi sampai dengan jam 24 WIB. Aturan lain adalah jumlah pemutaran iklan pada waktu Prime Time maupun Reguler Time.

d. Masukkan iklan pada jadwal iklan radio

Proses ini berfungsi untuk memasukkan iklan pada jadwal iklan yang telah diinisialisasi.

e. Tampilkan jadwal iklan

Hasil proses penjadwalan dapat ditampilkan pada layar komputer atau dicetak pada printer.

3.2.3 Perancangan Antarmuka (interface)

Perancangan antar muka adalah rancangan tampilan yang menghubungkan pengguna (user) dengan komputer dengan bantuan program. Salah satu syarat pembuatan antar muka adalah berorientasi pada kemudahan dalam penggunaannya (user friendly) serta informatif.

3.2.3.1 Rancangan Menu Utama

Rancangan Menu Utama merupakan tampilan yang pertama kali muncul saat program dijalankan. Pada rancangan ini terdapat menu Otoritas, File, Penjadwalan, Cetak, Help, About dan Quit. Penjadwalan berfungsi untuk menjalankan program Penjadwalan iklan radio, File berfungsi untuk menjalankan edit data iklan, Cetak berfungsi untuk menyajikan informasi penjadwalan iklan radio. Help berfungsi untuk menampilkan informasi bantuan, About berfungsi untuk menampilkan keterangan seputar aplikasi yang dibangun dan Quit berfungsi untuk keluar dari sistem. Rancangan Menu Utama terlihat seperti pada Gambar 3.7.

Gambar 3.7 Rancangan Menu Utama 3.2.3.2 Rancangan Login

Rancangan Login berfungsi untuk pemasukan hak akses aplikasi penjadwalan iklan pada radio komersial. Rancangan Login dapat dilihat pada Gambar 3.8.

Gambar 3.8 Rancangan Login 3.2.3.3 Rancangan Data Iklan

Rancangan Data Iklan berfungsi untuk pemasukan informasi iklan yang akan dijadwal oleh stasiun radio komersial. Rancangan Data Iklan dapat dilihat pada Gambar 3.9.

Password

xxxxxxxxx

Ok UserID

Cancel

Gambar 3.9 Rancangan Data Iklan Keterangan:

Data yang dimasukkan adalah tanggal pendaftaran, nama iklan, nama pemilik iklan, jumlah jam putar Prime Time dan Reguler Time.

3.2.3.4 Rancangan Data User

Rancangan Data User berfungsi untuk pemasukan informasi nama-nama pengguna aplikasi penjadwalan radio. Rancangan Data User dapat dilihat pada Gambar 3.10 dibawah ini.

Gambar 3.10 Rancangan Data User

Tanggal Daftar _dd-mm-yyyy

DATA IKLAN

Xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx Xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx Nama Iklan

xxx ID Iklan

Clear Quit

Add Save Edit Delete

xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx Pemilik

Jam Putar Prime Time _xxx Jam Putar Reguler Time _xxx

UserID _xxxxxxxxx

Bersih DATA USER

Xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx Xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

xxxxxxxxxxx

Keluar Add

Password

3.2.3.5 Rancangan Pemasukan Iklan

Rancangan Pemasukan Iklan ini berfungsi untuk memilih iklan yang akan dijadwalkan sesuai dengan jenis waktu pada stasiun radio komersial. Rancangan Pemasukan Iklan dapat dilihat pada Gambar 3.11 dibawah ini.

Gambar 3.11 Rancangan Pemasukan Iklan Keterangan:

1 : ListBox untuk menampilkan semua data iklan yang sudah dimasukkan. 2 : ListBox untuk menampilkan data iklan yang sudah dipilih.

3 : Label untuk menampilkan total iklan yang sudah dipilih. 4 : Label untuk menampilkan jumlah maksimal iklan. Jumlah jam putar maksimum 35 untuk setiap iklan.

3.2.3.6 Rancangan Penjadwalan

Rancangan Penjadwalan ini berfungsi untuk memproses iklan menjadi jadwal iklan yang akan ditayangkan oleh stasiun radio komersial. Rancangan Penjadwalan dapat dilihat pada Gambar 3.12.

Gambar 3.12 Rancangan Penjadwalan Keterangan:

Pilih tombol Ok setelah pengisian tanggal Putar, dan Save untuk menyimpan hasil penjadwalan. Tombol Stop jika hendak menghentikan proses.

3.2.3.7 Rancangan Rule

Rancangan Rule berfungsi untuk melakukan penghapusan secara manual hasil penjadwalan yang telah diperoses sesuai dengan aturan pada penjadwalan iklan pada masing-masing Radio. Rancangan Rule dapat dilihat pada Gambar 3.13.

Tanggal Putar _dd-mm-yyyy

Save ₉₉₉₉

Close Ok

Iterasi ke

Probabilitas Crossover

9999 Probabilitas Mutasi

9999

Persentase Optimum

Populasi Awal Hasil Penjadwalan

999 Rata-rata Fitness

9999 Maksimal Iterasi

Clear

9999 Listing progres aplikasi

999 Jumlah Populasi

Data Crossover

Hasil Mutasi

999 Lama

Stop _{Listing proses}

Gambar 3.13 Rancangan Rule 3.2.3.8 Rancangan Pergeseran Manual

Rancangan Pergeseran Manual berfungsi untuk melakukan penyisipan jadwal yang sudah dihapus pada rule diatas ke dalam jadwal yang lain yang tidak melanggar rule penjadwalan iklan pada masing-masing Radio secara manual. Rancangan Pergeseran Manual dapat dilihat pada Gambar 3.14 pada halaman 47.

Gambar 3.14 Rancangan Pergeseran Manual

Tanggal Putar _{dd-mm-yyyy View Jadwal}

Data Penjadwalan

Data Penjadwalan Hasil Rule

Nama Iklan xxxxxxxxxxxxxx Pemilik xxxxxxxx

Jumlah Pemutaran xxxx

Hari _xxxx

PrimeTime

No Yes

3.2.3.9 Rancangan Menu Cetak

RancanganMenu Cetak berfungsi untuk menampilkan hasil proses penjadwalan iklan per tanggal putar serta jenis waktunya yang akan dijadwal oleh stasiun radio komersial. Rancangan Menu Cetak dapat dilihat pada Gambar 3.15 dibawah ini.

Gambar 3.15 Rancangan Menu Cetak 3.2.3.10 Rancangan Laporan Penjadwalan

Rancangan Laporan Penjadwalan berfungsi untuk menampilkan hasil proses penjadwalan secara Reguler Time atau Prime Time dengan algoritma genetika. Rancangan Laporan Penjadwalan dapat dilihat seperti pada Tabel 3.12 pada halaman 48.

Tabel 3.12 Rancangan Laporan Penjadwalan

JADWAL PEMUTARAN IKLAN RADIO REGULER/PRIME TIME Tanggal: dd-mm-yyyy

No Nama Iklan Pemilik Waktu

xx xxxxxxxxxxxx xxxxxxxxxxxx xxxxxxxxxxx xx xxxxxxxxxxxx xxxxxxxxxxxx xxxxxxxxxxx xx xxxxxxxxxxxx xxxxxxxxxxxx xxxxxxxxxxx xx xxxxxxxxxxxx xxxxxxxxxxxx xxxxxxxxxxx xx xxxxxxxxxxxx xxxxxxxxxxxx xxxxxxxxxxx Keterangan:

No : Nomor urut iklan

Nama Iklan : Informasi identitas iklan Pemilik : Nama pemilik iklan Hari : Nama hari pemutaran Waktu : Waktu pemutaran iklan

Tanggal Putar _dd-mm-yyyy

Keluar Cetak

Prime Time

No Yes

3.2.3.11 Rancangan Pengujian

Rancangan Pengujian berfungsi untuk menampilkan informasi parameter genetika pada proses penjadwalan iklan dengan algoritma genetika. Rancangan Pengujian dapat dilihat seperti pada Tabel 3.13 di bawah ini.

Tabel 3.13 Rancangan Pengujian Parameter Genetika No Jumlah

Populasi

Fitnes Rata

Probabilitas Crossover

Probabilitas Mutasi

Iterasi Optimum

Maks Iterasi

Persentase Optimum

1 xxx xxx xxx xxx xxx xxx xxx

2 xxx xxx xxx xxx xxx xxx xxx

3 xxx xxx xxx xxx xxx xxx xxx

4 xxx xxx xxx xxx xxx xxx xxx

5 xxx xxx xxx xxx xxx xxx xxx

6 xxx xxx xxx xxx xxx xxx xxx

7 xxx xxx xxx xxx xxx xxx xxx

8 xxx xxx xxx xxx xxx xxx xxx

9 xxx xxx xxx xxx xxx xxx xxx

BAB 4

IMPLEMENTASI DAN PENGUJIAN

4.1 Implementasi

Setelah perangkat lunak Penjadwalan Iklan Pada Stasiun Radio Komersial Menggunakan Algoritma Genetika selesai dibangun, maka tahap selanjutnya adalah tahap implementasi yaitu tahap pengujian sistem dengan pemasukan data iklan yang akan diputar serta menjalankan proses penjadwalan sampai diperolehnya informasi penjadwalan iklan.

4.1.1 Tampilan Menu Utama

Tampilan Menu Utama merupakan tampilan yang berfungsi untuk menampilkan menu Otoritas, File, Proses Penjadwalan, Pergeseran Jadwal, Cetak, Help, About serta tombol Exit untuk menutup tampilan dan kembali ke sistem Windows. Tampilan Menu Utama dapat dilihat pada Gambar4.1.

4.1.2 Tampilan Login

Tampilan Login berfungsi untuk melakukan otoritas pengguna sistem perangkat lunak Penjadwalan Iklan Pada Stasiun Radio Komersil Menggunakan Algoritma Genetika. Tampilan Login dapat dilihat pada Gambar 4.2.

Gambar 4.2 Tampilan Login

Pada Gambar 4.2 tampilan Login dengan input User name dan Password serta tombol Ok dan Cancel.

4.1.3 Tampilan Data Iklan

Tampilan data iklan berfungsi untuk melakukan pemasukan informasi iklan ke dalam database.Tampilan data iklan dapat dilihat pada Gambar 4.3.

4.1.4 Tampilan Data User

Tampilan Data User berfungsi untuk melakukan pemasukan nama pengguna yang mengoperasikan aplikasi penjadwalan iklan. Tampilan Data User dapat dilihat seperti pada Gambar 4.4.

Gambar 4.4 Tampilan Data User 4.1.5 Tampilan Pemasukan Iklan

Tampilan Pemasukan iklan berfungsi untuk melakukan pemasukan order iklan sesuai dengan ketentuan. Tampilan Pemasukan Iklan dapat dilihat pada Gambar 4.5.

4.1.6 Tampilan Proses Penjadwalan

Tampilan Proses Penjadwalan berfungsi untuk memproses iklan menjadi jadwal iklan yang akan ditayangkan oleh stasiun radio. Tampilan Proses Penjadwalan dapat dilihat seperti pada Gambar 4.6.

Gambar 4.6 Tampilan Penjadwalan

Pada Gambar 4.6 dilakukan pemrosesan data iklan sebanyak 50 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 0.70, probabilitas mutasi 0.1 jumlah maksimum iterasi sebanyak 100 diperoleh fitnes rata-rata sebesar 1 dan jumlah individu yang optimal sebanyak 100% pada iterasi ke 4.

4.1.7 Tampilan Rule

Tampilan Rule berfungsi untuk menghapus data penjadwalan dari hasil proses penjadwalan sesuai dengan rule pemutaran iklan pada stasiun radio. Tampilan Rule dapat dilihat seperti pada Gambar 4.7.

Tampilan 4.7 Tampilan Rule 4.1.8 Tampilan Pergeseran Manual

Tampilan Pergeseran Manual berfungsi untuk memasukkan data penjadwalan yang telah dihapus pada proses Rule kedalam penjadwalan agar sesuai dengan rule pemutaran iklan pada stasiun radio. Tampilan Pergeseran Manual dapat dilihat seperti pada Gambar 4.8.

4.1.9 Tampilan Laporan Penjadwalan Prime Time

Tampilan Laporan Penjadwalan Prime Time berfungsi untuk menampilkan informasi hasil proses penjadwalan iklan radio pada waktu Prime Time. Tampilan Laporan Penjadwalan Prime Time dapat dilihat seperti pada Gambar 4.9.

Gambar 4.9 Tampilan Laporan Penjadwalan Prime Time 4.1.10 Tampilan Laporan Penjadwalan Regular Time

Tampilan Laporan Penjadwalan Regular Time berfungsi untuk menampilkan informasi hasil proses penjadwalan iklan radio pada waktu Regular Time. Tampilan Laporan Penjadwalan Regular Time dapat dilihat seperti pada Gambar 4.10.

4.2 Pengujian Penjadwalan dengan Variasi Parameter Genetika

Algoritma genetika berfungsi untuk menghasilkan jadwal yang terbaik. Pada tahap pengujian, untuk dapat menghasilkan pengujian dilakukan dengan cara memasukkan nilai inputan parameter genetika yang bervariasi. Hasil perbandingan pengujian penjadwalan dengan waktu Regular Time dapat dilihat pada Tabel 4.1.

Tabel 4.1 Tampilan Pengujian Parameter Genetika Pada Waktu Regular Time No Jumlah

Individu

Fitnes Rata

Probabilitas Crossover

Probabilitas

Mutasi Iterasi

Maks Iterasi

Persentase Optimum

1 50 1 0,70 0,10 4 1000 100

2 100 0,97 0,70 0,10 285 1000 93

3 150 0,95 0,70 0,10 51 1000 90

4 200 0,94 0,70 0,10 317 1000 88,5

5 250 0,92 0,70 0,10 424 1000 83,6

6 300 0,92 0,70 0,10 107 1000 83,33

7 350 0,93 0,70 0,10 382 1000 79,43

8 400 0,88 0,70 0,10 1000 1000 76,75

9 450 0,86 0,70 0,10 1000 1000 73,33

10 500 0,85 0,70 0,10 1000 1000 71

Dari tabel 4.1 di atas diperoleh tingkat rata-rata persentase optimum atau jadwal yang tidak bentrok adalah 83,79%. Dari hasil pengujian diatas dapat dilihat bahwa semakin besar jumlah individu yang diuji antara 50 sampai dengan 500, maka nilai fitnes rata-rata akan semakin menurun antara 1 sampai 0,70 dan juga persentase optimum yaitu persentase jadwal yang tidak bentrok juga semakin menurun antara 100% sampai 71%.

4.3 Tampilan Pengujian Data Penjadwalan

Pengujian data penjadwalan berfungsi untuk mendapatkan hasil penjadwalan dengan algoritma genetika berdasarkan banyak data yang diproses. Tampilan Data Penjadwalan dapat dilihat sebagai berikut:

a. Pengujian dengan 50 Iklan untuk tanggal 12/01/2016

Gambar 4.11 Tampilan Pengujian Penjadwalan 50 Iklan

Pada Gambar 4.13 dilakukan pemrosesan data iklan sebanyak 50 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 1 dan persentase optimum sebanyak 100% pada iterasi ke 4 dengan lama waktu proses 6 detik.

b. Pengujian dengan 100 Iklan untuk tangga 12/01/2015

Pada Gambar 4.14 dilakukan pemrosesan data iklan sebanyak 100 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,95 dan jumlah individu yang optimal sebanyak 93% pada iterasi ke 285 dengan lama waktu proses 12 menit 11 detik.

c. Pengujian dengan 200 Iklan untuk tanggal 13/01/2015

Gambar 4.13 Tampilan Pengujian Penjadwalan 200 Iklan

Pada Gambar 4.15 dilakukan pemrosesan data iklan sebanyak 200 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,94 dan jumlah individu yang optimal sebanyak 88,5% pada iterasi ke 317 dengan lama waktu proses 48 menit 21 detik.

d. Pengujian dengan 250 Iklan untuk tanggal 12/01/2015

Gambar 4.14 Tampilan Pengujian Penjadwalan 250 Iklan

Pada Gambar 4.16 dilakukan pemrosesan data iklan sebanyak 250 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,92 dan jumlah individu yang optimal sebanyak 84% pada iterasi ke 342 dengan lama waktu proses 1 jam 17 menit 55 detik. e. Pengujian dengan 300 Iklan untuk tanggal 12/01/2015

Gambar 4.15 Tampilan Pengujian Penjadwalan 300 Iklan

Pada Gambar 4.17 dilakukan pemrosesan data iklan sebanyak 300 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika

probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,92 dan jumlah individu yang optimal sebanyak 83,33% pada iterasi ke 107 dengan lama waktu proses 32 menit 37 detik. f. Pengujian dengan 350 Iklan untuk tanggal 12/01/2015

Gambar 4.16 Tampilan Pengujian Penjadwalan 350 Iklan

Pada Gambar 4.18 dilakukan pemrosesan data iklan sebanyak 350 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,90 dan jumlah individu yang optimal sebanyak 79,43% pada iterasi ke 382 dengan lama waktu proses 2 jam 33 detik.

g. Pengujian dengan 400 Iklan untuk tanggal 12/01/2015

Pada Gambar 4.19 dilakukan pemrosesan data iklan sebanyak 400 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,88 dan jumlah individu yang optimal sebanyak 76,75% pada iterasi ke 1000 dengan lama waktu proses 5 jam 37 menit 34 detik.

h. Pengujian dengan 450 Iklan untuk tanggal 12/01/2015

Gambar 4.18 Tampilan Pengujian Penjadwalan 450 Iklan

Pada Gambar 4.20 dilakukan pemrosesan data iklan sebanyak 450 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,87 dan jumlah individu yang optimal sebanyak 73,33% pada iterasi ke 1000 dengan lama waktu proses 10 jam 25 menit 59 detik.

i. Pengujian dengan 500 Iklan untuk tanggal 12/01/2015

Gambar 4.19 Tampilan Pengujian Penjadwalan 500 Iklan

Pada Gambar 4.21 dilakukan pemrosesan data iklan sebanyak 500 populasi atau penayangan pada jenis waktu tayang yaitu reguler time dengan parameter genetika probabilitas crossover 70%, probabilitas mutasi 10%, dan maksimum iterasi sebanyak 1000 diperoleh fitnes rata-rata sebesar 0,85 dan jumlah individu yang optimal 71% pada iterasi ke 1000 dengan lama waktu proses 7 jam 57 menit 15 detik.

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Setelah merancang dan mengaplikasikan perangkat lunak Penjadwalan Iklan Pada Stasiun Radio Komersial Menggunakan Algoritma Genetika, maka diperoleh hasil pengujian adalah sebagai berikut:

a. Algoritma genetika dapat digunakan untuk penjadwalan iklan radio dengan jenis waktu prime maupun regular time.

b. Algoritma genetika sangat dipengaruhi fungsi acak, sehingga tidak selalu hasil yang diperoleh pada suatu proses penjadwalan iklan menghasilkan yang paling optimal.

c. Dengan algoritma genetika program dapat mencari solusi penjadwalan iklan radio dengan waktu yang lebih cepat.

d. Hasil pengujian dengan inputan nilai parameter genetika yang sama atau berbeda, proses penjadwalan menghasilkan nilai persentase optimum yang berbeda-beda hal ini disebabkan karena fungsi random.

e. Probablilitas crossover yang digunakan sebesar 70 % dan probabilitas mutasi yang digunakan adalah 10%.

f. Operator genetika yang digunakan dalam penelitian ini adalah crossover satu titik potong, insertion mutation karena lebih sesuai pada representasi kromosom dan inisialisasi populasi pada saat membangkitkan populasi awal. g. Makin besar populasi atau data iklan yang dijadwalkan maka waktu

penjadwalan makin lama ini disebabkan nilai acak akan semakin banyak. 5.2 Saran

Adapun saran-saran yang untuk penelitian maupun pengembangan berikutnya adalah membandingkan keakuratan algoritma genetika dengan algoritma optimasi lainnya seperti algoritma jaringan syaraf tiruan Backpropagation maupun Learning Vector Quantization.

BAB 2

LANDASAN TEORI

2.1 Penjadwalan Iklan

Penjadwalan adalah proses penyusunan menentukan jadwal yang tepat terhadap suatu pekerjaan untuk mencapai suatu tujuan tertentu terhadap sumber daya yang tersedia sesuai dengan constraint yang harus dipenuhi (Soraya, 2007). Penjadwalan iklan adalah masalah menempatkan waktu dan ruangan kepada sejumlah iklan pada sela-sela waktu acara dengan memperhatikan sejumlah aturan yang berhubungan dengan kapasitas dan lokasi dari ruang yang tersedia, waktu bebas yang diperlukan dan sejumlah aturan lain yang berkaitan dengan toleransi untuk pemasang iklan.

Periklanan merupakan alat komunikasi untuk menyampaikan pesan mengenai barang-barang, jasa atau ide-ide yang ditujukan kepada khalayak ramai yang merupakan calon pembeli dari produk atau jasa tersebut. Periklanan dapat mempengaruhi konsumen sehingga timbul rasa untuk melakukan pembelian. Jadi periklanan mempunyai peranan penting dalam meningkatkan volume penjualan. Banyak pengertian mengenai periklanan yang dikemukakan oleh para ahli dan kebanyakan orang percaya bahwa periklanan bekerja dengan mengirimkan suatu pesan lewat suatu media cetak maupun elektronika akan diperoleh jumlah konsumen yang cukup besar dalam waktu yang tidak begitu lama. Namun dalam masyarakat yang komunikatif, pesan yang disampaikan oleh media promosi terbentur oleh kesadaran, pengertian dan tindakan konsumen untuk melakukan pembelian. Sehingga perusahaan melaksanakan kegiatan periklanan karena mempunyai peranan yang cukup besar bagi kegiatan penjualan.

Periklanan adalah suatu usaha untuk mempengaruhi konsumen dalam bentuk tulisan, gambar, suara atau kombinasi dari semua yang diarahkan pada masyarakat secara luas. Menurut (Kotler 2006) bahwa periklanan adalah setiap bentuk penyajian dan promosi bukan pribadi yang dibayar mengenai gagasan, barang atau jasa oleh sponsor yang teridentifikasi. Pentingnya media radio siaran sebagai media iklan akan lebih terasa jika menyimak situasinya secara global, peran radio sebagai media iklan memang masih terbatas secara umum, dengan tersedianya sinyal yang kuat, radio dapat mencapai pendengar yang banyak pada jarak yang jauh atau bahkan dalam suatu

wilayah yang luas. Radio merupakan sarana handal untuk menjangkau orang yang mungkin tidak mempunyai akses media yang lain, radio dapat menjangkau orang-orang yang buta huruf yang tidak dapat membaca surat kabar, dan radio merupakan media yang dapat menjangkau hingga kepelosok daerah. Radio berfungsi sebagai sarana informasi, komunikasi, pengetahuan dan pendidikan serta hiburan yang mempunyai peran cukup penting dalam menyampaikan berita tentang perkembangan nasional maupun internasional.

Terkait dengan pangsa pasar dan basis konsumen, merek dengan pangsa pasar yang tinggi pada umumnya membutuhkan anggaran biaya periklanan yang lebih rendah guna mempertahankan posisinya. Itulah kenapa banyak perusahaan atau instansi beriklan melalui media radio, karena radio adalah media auditif yang lebih mudah untuk mengingat apa yang didengar pada setiap kesempatan.

Radio Suara Medan 94.7 hadir sebagai salah satu media di kota Medan yang memanjakan stakeholder dalam pemenuhan kebutuhan beriklan dan berpromosi, secara umum gambaran singkat tentang Radio Medan dapat dijelaskan dalam uraian singkat berupa karakteristik radio, yaitu: Efficient Value.

Radio adalah media beriklan yang ekonomis dari sisi pembiayaan dan efektif. Flexibility Value. Radio adalah media yang bersifat mobile, karena bisa didengar dalam setiap kesempatan, kapanpun dan di manapun. Real Time Value. Radio adalah media yang paling unggul dalam kecepatan penyampaian informasi, baik dalam penyampaian hiburan dan komersial. Customize Value. Radio adalah media yang mudah untuk mengemas suatu penyampaian pesan dalam bentuk siaran yang variatif dan kreatif sesuai keinginan dan kebutuhan pemasang iklan. Ada beberapa produk iklan yang disajikan oleh Radio Medan dalam memanjakan pemasang iklan, yaitu dalam bentuk:

a. Loose Spot, adalah produk iklan yang dibuat dengan merekam suara orang yang membaca pesan tertentu yang ingin disampaikan dan diperindah lagi dengan musik atau sound effect lainnya, di mana pesan yang disampaikan antara lain adalah jadwal kegiatan, jenis produk yang ditawarkan, info harga hingga bagaimana dan di mana produk tersebut bisa dibeli atau didapatkan oleh konsumen.

b. Kemudian Insert ARP (Kuis) / Sayembara, adalah rangkaian acara yang melibatkan konsumen dan calon konsumen untuk berpartisipasi dalam

permainan atau games yang terkait erat dengan produk yang dipromosikan, dengan jaminan mendapatkan hadiah-hadiah tertentu, dengan keterlibatan ini pemasang iklan jenis ini berharap agar brand-nya diposisikan disekitar nilai-nilai dan kebutuhan sosial.

c. Lalu Time Signal, merupakan jenis iklan tanda waktu pada waktu atau jam tertentu yang dianggap strategis.

Ada pula sponsor program / Talk Show, dalam penerapannya di radio, praktisi radio menamakan program ini sebagai blocking time program, artinya adalah pembelian jam siaran dengan durasi tertentu, untuk diisi dengan program khusus yang dimiliki untuk tujuan kegiatan pemasaran. Jenis produk berupa Live Reportase, jenis produk ini adalah perpaduan antara siaran On-Air maupun Off-Air, di mana pemasang iklan menginginkan produknya lebih dikenal dimasyarakat dalam bentuk event tertentu yang disiarkan secara langsung melalui radio.

Dan yang terakhir adalah Adlibs Radio Program (ARP), merupakan iklan radio berupa teks tertulis (script) dibacakan dan diimprovisasi oleh penyiar radio dalam pola penyampaiannya. Pemasang iklan dimanjakan dengan pilihan waktu tayang iklan yang relatif menguntungkan dengan asumsi bahwa dalam jam tertentu merupakan capaian pendengar dalam jumlah banyak, dan berikut

2.2 Algoritma Genetika

Algoritma genetika pertama kali ditemukan oleh John Holland, itu dapat dilihat dalam bukunya yang berjudul Adaption in Natural and Artificial Systems pada tahun 1960-an d1960-an kemudi1960-an dikemb1960-angk1960-an bersama murid d1960-an rek1960-an kerj1960-anya di Universitas Michigan pada tahun 1960-an sampai 1970-an. Tujuan Holland mengembangkan Algoritma Genetika saat itu bukan untuk mendesain suatu algoritma yang dapat memecahkan suatu masalah, namun lebih mengarah ke studi mengenai fenomena adaptasi di alam dan mencoba menerapkan mekanisme adaptasi alam tersebut ke dalam sistem komputer (Fariza, 2006).

Algoritma Genetika sebagai cabang dari Algoritma Evolusi merupakan metode yang digunakan untuk memecahkan suatu pencarian nilai dalam sebuah masalah optimasi yaitu permasalahan-permasalahan yang tak linier (Mitsuo & Runwei, 2000).

Algoritma genetika berbeda dengan teknik konvergensi konvensional yang lebih bersifat deterministik (Gen & Cheng., 1997). Algoritma Genetik memakai

mekanisme seleksi alam dan ilmu genetik sehingga istilah-istilah pada Algoritma Genetik akan bersesuaian dengan istilah-istilah pada seleksi alam dan ilmu genetik. Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai kromosom, sedangkan kumpulan kromosom-kromosom tersebut disebut sebagai populasi. Sebuah kromosom dibentuk dari komponen-komponen penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan. Kromosom-kromosom tersebut akan berevolusi secara berkelanjutan yang disebut dengan generasi. Dalam tiap generasi kromosom-kromosom tersebut dievaluasi tingkat keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan (fungsi_objektif) menggunakan ukuran yang disebut dengan Fitness.

Secara umum tahapan proses dari algoritma genetika diperlihatkan pada Gambar 2.1. Seperti terlihat pada gambar kromosom merupakan representasi dari solusi. Operator genetika yang terdiri dari crossover dan mutasi dapat dilakukan kedua-duanya atau hanya salah satu saja yang selanjutnya operator evolusi dilakukan melalui proses seleksi kromosom dari parent (generasi induk) dan dari offspring (generasi turunan) untuk membentuk generasi baru (new population) yang diharapkan akan lebih baik dalam memperkirakan solusi optimum, proses iterasi kemudian berlanjut sesuai dengan jumlah generasi yang telah ditetapkan.

2.3 Struktur Umum Algoritma Genetika

Secara umum struktur dari suatu algoritma genetika dapat didefenisikan dengan langkah-langkah sebagai berikut:

1. Mulai

Proses algoritma genetika dimulai dengan membangun populasi random sebanyak n kromosom (sesuai dengan masalahnya).

2. Populasi Awal

Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi itu sendiri terdiri atas sejumlah kromosom yang merepresentasikan solusi yang diinginkan.

3. Evaluasi Fitness

Pada setiap generasi kromosom-kromosom akan dievaluasi berdasarkan tingkat keberhasilan nilai solusinya terhadap masalah yang ingin diselesaikan dengan menggunakan evaluasi Fitness. Proses evaluasi Fitness adalah melakukan evaluasi setiap Fitness f(x) dari setiap kromosom x pada populasi.

4. Pembentukan Generasi Baru

Proses ini dilakukan secara berulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru (offspring) di mana generasi baru merupakan representasi dari solusi baru.

5. Seleksi

Untuk memilih kromosom yang akan tetap dipertahankan untuk generasi selanjutnya maka dilakukan proses seleksi. Proses seleksi dilakukan dengan memilih 2 kromosom parent dari populasi berdasarkan Fitnessnya (semakin besar Fitnessnya, maka semakin besar kemungkinannya untuk terpilih).

6. Crossover

Proses selanjutnya melakukan perkawinan silang sesuai dengan besarnya kemungkinan perkawinan silang, orang tua (parent) yang terpilih disilangkan untuk membentuk anak (offspring). Jika tidak ada crossover, maka anak merupakan salinan dari orang tuanya. Jumlah kromosom dalam populasi yang mengalami perkawinan silang (crossover) ditentukan oleh parameter yang disebut dengan probabilitas perkawinan silang (crossover

7. Mutasi

Proses mutasi dilakukan sesuai dengan besarnya kemungkinan mutasi yang telah ditentukan, anak dimutasi pada setiap lokus (posisi pada kromosom). Jumlah gen dalam populasi yang mengalami mutasi ditentukan oleh parameter yang disebut dengan probabilitas mutasi (mutationr probabilit, Pm). Setelah beberapa generasi akan dihasilkan, kromosom-kromosom yang nilai gennya konvergen ke suatu nilai tertentu merupakan solusi optimum yang dihasilkan oleh algoritma genetika terhadap permasalahan yang ingin diselesaikan.

8. Memenuhi syarat regenerasi

Apabila generasi baru memenuhi syarat regenerasi, maka proses akan selesai. Namun, apabila generasi baru tidak memenuhi syarat regenerasi, maka proses akan kembali ke evaluasi Fitness.

Parameter yang digunakan dalam algoritma genetika adalah:

1. Fungsi Fitness untuk menentukan tingkat kesesuaian individu tersebut. 2. Populasi jumlah individu pada setiap generasi.

3. Probabilitas terjadinya crossover pada setiap generasi. 4. Probabitas terjadinya mutasi pada setiap generasi. 5. Jumlah generasi yang akan dibentuk.

Golberg (1989) mengemukakan bahwa algoritma genetika mempunyai karakteristik-karakteristik yang perlu diketahui sehingga dapat dibedakan dari prosedur pencarian atau optimasi yang lain, yaitu:

1. Algoritma genetika dengan pengkodean dari himpunan solusi permasalahan berdasarkan parameter yang telah ditetapkan bukan parameter itu sendiri.

2. Algoritma genetika pencarian pada sebuah solusi dari sejumlah individu-individu yang merupakan solusi permasalahan bukan hanya dari sebuah individu.

3. Algoritma genetika informasi fungsi objektif (Fitness), sebagai cara untuk mengevaluasi individu yang mempunyai solusi terbaik, bukan turunan dari suatu fungsi.

4. Algoritma genetika menggunakan aturan transisi peluang, bukan aturan-aturan deterministik.

Pada algoritma genetika ini terdapat beberapa definisi penting yang harus dipahami sebelumnya, yaitu:

a. Gen

Gen merupakan nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom.

b. Kromosom / Individu

Kromosom merupakan gabungan dari gen-gen yang membentuk nilai tertentu dan menyatakan solusi yang mungkin dari suatu permasalahan.

c. Populasi

Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu satuan siklus evolusi.

d. Fitness

Fitness menyatakan seberapa baik nilai dari suatu individu yang didapatkan. e. Seleksi

Seleksi merupakan proses untuk mendapatkan calon induk yang baik. f. Crossover

Crossover merupakan proses pertukaran atau kawin silang gen-gen dari dua induk tertentu.

g. Mutasi

Mutasi merupakan proses pergantian salah satu gen yang terpilih dengan nilai tertentu. h. Generasi

Generasi merupakan urutan iterasi di mana beberapa kromosom bergabung. i. Offspring

Offspring merupakan kromosom baru yang dihasilkan.

2.4 Teknik Pengkodean

Pengkodean adalah suatu teknik untuk menyatakan populasi awal sebagai calon solusi suatu masalah ke dalam suatu kromosom sebagai suatu kunci pokok persoalan ketika menggunakan algoritma genetika (Desiani, 2005). Agar dapat diproses melalui algoritma genetika, maka harus dikodekan terlebih dahulu ke dalam bentuk kromosom. Kromosom akan berisi informasi sejumlah gen yang mengkodekan informasi.

Ada beberapa jenis pengkodean yang dapat digunakan dalam algoritma genetika yaitu pengkodean biner (binary encoding), pengkodean nilai (value encoding), pengkodean permutasi (permutation enocding), pengkodean pohon (tree encoding).

2.4.1 Pengkodean Biner

Pengkodean ini merupakan pengkodean yang sering digunakan dan paling sederhana. Pada pengkodean biner setiap kromosom direpresentasikan dalam barisan bit 0 atau 1, seperti dapat dilihat pada tabel 2.1 berikut ini:

Tabel 2.1 Contoh Pengkodean Biner

Kromosom A 10101011010

Kromosom B 11000010111

Pengkodean biner memberikan banyak kemungkinan untuk kromosom walaupun dengan jumlah nilai-nilai yang mungkin terjadi dalam suatu gen sedikit (0 atau 1). Pengkodean ini sering tidak sesuai untuk beberapa masalah terkadang harus dilakukan pengkoreksian setelah operasi crossover dan mutasi.

2.4.2 Pengkodean Nilai

Didalam pengkodean nilai setiap kromosom adalah string dari suatu nilai di mana nilai yang dikodekan langsung merupakan representasi dari masalah seperti bilangan bulat, desimal ataupun karakter. Contoh pengkodean ini dapat dilihat pada tabel 2.2 pada halaman 13.

Tabel 2.2 Contoh Pengkodean Nilai

Kromosom A 1.345, 4.534, 7.654, 8.789

Kromosom B ABC, ADC, CBC, BCA

Kromosom C 1, 3, 4, 7, 5

Kromosom D Forward, backward, right, left 2.4.3 Pengkodean Pohon

Pengkodean pohon digunakan untuk menyusun program atau ekspresi didalam algoritma genetika. Dalam pengkodean pohon ini, setiap kromosom dinyatakan sebagai sebuah pohon dari setiap objek, seperti fungsi atau perintah dalam bahasa pemograman. Pengkodean pohon sangat baik dalam pembangunan sebuah program. Bahasa pemrograman LISP biasanya sering menggunakan pengkodean pohon, karena program didalamnya dapat direpresentasikan ke dalam bentuk ini, dan dapat dengan mudah di parse menjadi sebuah pohon, sehingga crossover dan mutasi dapat dilakukan dengan lebih mudah. Contoh pengkodean pohon dapat dilihat pada gambar dibawah ini: (*(-(ab))(+(*(CD))(/(EF))))

Gambar 2.3 Pengkodean Pohon 2.4.4 Pengkodean Permutasi

Pengkodean permutasi adalah pengkodean yang digunakan dalam masalah pengurutan data (ordering problem), seperti masalah wiraniaga (travelling salessman problem), atau masalah pengurutan tugas (task ordering problem). Pada pengkodean ini setiap kromosom merupakan barisan angka yang merepresentasikan angka dalam urutan. Pengkodean ini berguna untuk masalah ordering, bahkan beberapa korelasi terhadap

kromosom harus dilakukan untuk menjaga konsistensi representasi kromosom setelah proses crossover dan mutasi. Sebagai contoh, dapat dilihat pada tabel 2.3 berikut ini:

Tabel 2.3 Contoh Pengkodean Permutasi

Kromosom A 2 6 7 5 1 3 4 9 8 10

Kromosom B 10 5 4 9 7 1 3 2 6 8

2.5 Membangkitkan Populasi Awal dan Kromosom

Membangkitkan populasi awal adalah proses membangkitkan sejumlah individu atau kromosom secara acak atau melalui prosedur tertentu. Ukuran untuk populasi tergantung pada masalah yang akan diselesaikan dan jenis operator genetika yang akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian dilakukan pembangkitan populasi awal. Apabila ukuran populasi yang dipilih terlalu kecil, maka tingkat eksplorasi atas ruang pencarian global akan terbatas, walaupun arah menuju konvergensi lebih cepat. Apabila ukuran populasi terlalu besar, maka waktu akan banyak terbuang karena berkaitan dengan besarnya jumlah data yang dibutuhkan dan waktu ke arah konvergensi akan lebih lama (Goldberg, 1989).

2.6 Evaluasi Fitness

Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran performansinya. Didalam evolusi alam, individu yang bernilai Fitness tinggi yang akan bertahan hidup. Sedangkan individu yang bernilai Fitness rendah akan mati. 2.7 Seleksi

Dalam proses reproduksi setiap individu populasi pada suatu generasi diseleksi berdasarkan nilai Fitness-nya untuk bereproduksi guna menghasilkan keturunan. Probabilitas terpilihnya suatu individu untuk bereproduksi adalah sebesar nilai Fitness individu tersebut dibagi dengan jumlah nilai Fitness seluruh individu dalam pupulasi (Davis, 1991). Proses seleksi memiliki beberapa jenis metode, berikut ini adalah beberapa metode seleksi yang sering digunakan yaitu:

2.7.1 Seleksi Roda Roulette (Roulete Wheel Selection)

Metode seleksi roda roulette merupakan metode seleksi yang paling sederhana. Metode ini juga sering dikenal dengan nama stochastic sampling with replacement. Pada metode ini cara kerja seleksi berdasarkan nilai Fitness dari tiap individu, jadi individu yang memiliki nilai Fitness terbaik mempunyai kesempatan lebih besar untuk terpilih sebagai orang tua.

Langkah-langkah seleksi roulette wheel:

1. Dihitung nilai Fitness masing-masing individu (fi di mana i adalah individu ke 1 s/d ke-n )

2. Dihitung total Fitness semua individu ,

3. Dihitung Fitness relatif masing-masing individu

4. Dari Fitness relatif tersebut, dihitung Fitness kumulatifnya. 5. Dibangkitkan nilai random

6. Dari bilangan random yang dihasilkan, ditentukan individu mana yang terpilih dalam proses seleksi

2.7.2 Seleksi Ranking (Rank-based Fitness)

Seleksi ranking merupakan metode seleksi alternatif yang bertujuan untuk menghindari terjadinya hasil konvergen yang terlalu cepat dari proses seleksi orangtua. Pada metode seleksi ini, individu-indiviu pada tiap populasi diurutkan berdasarkan nilai Fitnessnya sehingga nilai yang diharapkan dari tiap individu bergantung kepada urutannya bukan hanya kepada nilai Fitnessnya.

2.7.3 Seleksi Turnamen (Turnament Selection)

Seleksi turnamen merupakan variasi dari seleksi roda roulette dan seleksi ranking. Pada metode seleksi ini, kromosom dipilih secara acak, kemudian diranking untuk diambil nilai Fitness terbaiknya.

2.8 Crossover

Crossover (pindah silang) adalah proses pemilihan posisi string secara acak dan menukar karakter- karakter stringnya (Goldberg, 1989). Fungsi crossover adalah

menghasilkan kromosom anak dari kombinasi materi-materi gen dua kromosom induk. Probabilitas crossover (Pc) ditentukan untuk mengendalikan frekuensi crossover.

2.8.1 One Point Crossover

Pada crossover dilakukan dengan memisahkan suatu string menjadi dua bagian dan selanjutnya salah satu bagian dipertukarkan dengan salah satu bagian dari string yang lain yang telah dipisahkan dengan cara yang sama. Proses yang demikian dinamakan operator crossover satu titik.

Contoh:

Induk 1: 11001 | 010 Induk 2: 00100 | 111 Diperoleh:

Anak 1: 11001 | 111 Anak 2: 00100 | 010

2.8.2 Two Point Crossover

Proses crossover ini dilakukan dengan memilih dua titik crossover. Kromosom keturunan kemudian dibentuk dengan barisan bit dari awal kromosom sampai titik crossover pertama disalin dari orangtua pertama, bagian dari titik crossover pertama dan kedua disalin dari orangtua kedua, kemudian selebihnya disalin dari orangtua pertama lagi.

Contoh:

Induk 1: 110 | 010 | 10 Induk 2: 001 | 001 | 11 Diperoleh:

Anak 1: 110 | 001 | 10 Anak 2: 001 | 010 | 11 2.8.3 Uniform Crossover

Crossover seragam manghasilkan kromosom keturunan dengan menyalin bit-bit secara acak dari kedua orangtuanya.

Contoh:

11001011 + 11011101 = 11011111

2.8.4 Partially Mapped Crossover (PMX)

PMX diciptakan oleh Goldberg dan Lingle. PMX merupakan rumusan modifikasi dari pindah silang dua-poin. Hal yang penting dari PMX adalah pindah silang dua poin ditambah dengan beberapa prosedur tambahan.

Contoh:

Pilih posisi untuk menentukan substring secara acak Induk 1: 1 2 3 | 4 5 6 | 7 8

Induk 2: 3 7 5 | 1 6 8 | 2 4 Diperoleh:

Anak 1 : 4 2 3 | 1 6 8 | 7 5 Anak 2 : 3 7 8 | 4 5 6 | 2 1 2.9 Mutasi

Operator mutasi dioperasikan sebagai cara untuk mengembalikan materi genetic yang hilang. Melalui mutasi, individu baru dapat diciptakan dengan melakukan modifikasi terhadap satu atau lebih nilai gen pada individu yang sama. Mutasi mencegah kehilangan total materi genetika setelah reproduksi dan pindah silang. Mutasi ini berperan utuk menggantikan gen yang hilang dari populasi akibat seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi. 2.9.1 Mutasi Pengkodean Biner

Mutasi pengkodean biner merupakan operasi yang sangat sederhana. Proses mutasi pengkodean biner dilakukan dengan cara menginversi nilai bit pada kromosom yang terpilih secara acak (atau menggunakan skema tertentu) dengan diubah nilainya menjadi nilai lawannya (0 ke 1, atau 1 ke 0). Sebagai contoh, dapat dilihat pada tabel 2.4:

Tabel 2.4 Contoh Mutasi Pengkodean Biner

Keadaan Kromosom Proses Mutasi

Kromosom sebelum mutasi 1000 1111 1011 0110 Kromosom sesudah mutasi 10011 1011 0110 2.9.2 Mutasi Pengkodean Nilai

Mutasi pengkodean nilai adalah proses yang terjadi pada saat pengkodean nilai. Proses mutasi dalam pengkodean nilai dapat dilakukan dengan cara memilih sembarang posisi gen pada kromosom, dan nilai yang ada kemudian ditambahkan atau dikurangkan dengan suatu nilai kecil tertentu yang diambil secara acak. Sebagai contoh, dapat dilihat pada tabel berikut ini, yaitu nilai riil ditambahkan dan dikurangkan dengan nilai 0 dan 1.

Tabel 2.5 Contoh Mutasi Pengkodean Nilai

Keadaan Kromosom Proses Mutasi

Kromosom sebelum mutasi 1,45 2,67 1,87 2,56 Kromosom sesudah mutasi 1,55 2,67 1,77 2,56 2.9.3 Mutasi Pengkodean Permutasi

Proses mutasi pengkodean permutasi tidak sama halnya dengan proses mutasi yang dilakukan pada pengkodean biner dengan mengubah langsung bit-bit pada kromosom. Salah satu cara yang dapat dilakukan adalah dengan memilih dua posisi (locus) dari kromosom dan kemudian nilainya saling dipertukarkan. Orangtua yang berada dibawah titik crossover dipertukarkan untuk menghasilkan anak baru. Contoh Mutasi pada pengkodean permutasi, dapat dilihat pada tabel di berikut ini:

Tabel 2.6 Contoh Mutasi Pengkodean Permutasi

Keadaan Kromosom Proses Mutasi

Kromosom sebelum mutasi 1 2 3 4 5 6 7 8 9 Kromosom sesudah mutasi 1 2 7 4 6 5 8 3 9

Beberapa operator mutasi telah diciptakan untuk representasi permutasi, seperti metode inversion, insertion, displacement, dan reciprocal exchange mutation.

a. Inversion Mutation

Inversion mutation dilakukan dengan cara memilih substring secara acak kemudian substring yang terpilih dibalik dan penempatan substring pada posisi yang sama. Penyisipan tersebut posisi acak. Contoh ilustrasi operasi mutasi ini, dapat dilihat pada gambar 2.4 berikut ini:

Gambar 2.4 Contoh Inversion Mutation b. Insertion Mutation

Insertion Mutation dilakukan dengan cara memilih salah satu gen secara acak kemudian gen yang terpilih disisipkan ke posisi yang lain. Penyisipan tersebut pada posisi acak. Contoh ilustrasi operasi mutasi ini, dapat dilihat pada gambar 2.5 berikut ini:

Gambar 2.5 Contoh Exchange Mutation 2.9.4 Mutasi Pengkodean Pohon

Mutasi pada pengkodean pohon dilakukan dengan cara mengubah operator ( +, -, *, / ) atau nilai yang terkandung dalam suatu verteks pohon yang dipilih. Atau dapat juga dilakukan pemulihan dua verteks dari pohon dan saling mempertukarkan operator atau nilainya. Contoh mutasi dalam pengkodean pohon dapat dilihat pada tabel 2.7:

Tabel 2.7 Contoh Mutasi Pengkodean Pohon

2.10 Meknisme Algoritma Genetika

Algoritma genetika dimulai dengan pembentukan sejumlah solusi yang dilakukan secara acak. Sebuah solusi yang dibangkitkan dalam algoritma genetika disebut sebagai kromosom, sedangkan kumpulan kromosom tersebut disebut sebagai populasi. Sebuah kromosom dibentuk dari komponen penyusun disebut dengan gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan.

Secara umum blok diagram dari mekanisme kerja algoritma genetika adalah seperti pada Gambar 2.6.

Gambar 2.6 Meknisme Algoritma Genetika 2.11

Bangkitkan populasi awal

Evaluasi fungsi tujuan

Kriteria optimasi

tercapai

Individu-individu terbaik

Selesai Mulai

Seleksi

Kawin silang

Mutasi

Bangkitkan Populasi

awal

Ya

Parameter-parameter genetika berperan dalam pengendalian operator-operator genetika yang digunakan dalam optimasi algoritma genetika menggunakan algoritma genetika. (Davis, 1991; Sundhararajan, 1994; Sastry, 2004). Parameter genetika yang sering digunakan meliputi ukuran populasi (N), probabilitas pindah silang (Pc), dan probabilitas mutasi (Pm). Pemilihan ukuran populasi yang digunakan tergantung pada masalah yang akan diselesaikan. Untuk masalah yang lebih kompleks biasanya diperlukan ukuran populasi yang lebih besar guna mencegah konvergensi prematur (yang menghasilkan optimum lokal).

Pada tiap generasi, sebanyak Pc * N individu dalam populasi mengalami pindah silang. Makin besar nilai Pc yang diberikan maka makin cepat struktur individu baru yang diperkenalkan ke dalam populasi. Jika nilai Pc yang diberikan terlalu besar, individu yang merupakan kandidat solusi terbaik dapat hilang lebih cepat dibanding seleksi untuk peningkatan kerja. Sebaliknya nilai Pc yang rendah dapat mengakibatkan stagnasi karena rendahnya angka eksplorasi.

Probabilitas mutasi adalah probabilitas di mana setiap posisi bit pada tia string dalam populasi baru mengalami perubahan secara acak setelah proses seleksi. Dalam satu generasi dengan L panjang struktur, kemungkinan terjadi mutasi sebanyak Pm*N*L.

2.12 Parameter Genetik

Pengoperasian algoritma genetika dibutuhkan 3 parameter (Juniawati, 2003) yaitu: 1. Probabilitas Persilangan (Crossover Probability)

Menunjukkan kemungkinan crossover terjadi antara 2 kromosom. Jika tidak terjadi crossover maka keturunannya akan sama persis dengan kromosom orangtua, tetapi tidak berarti generasi yang baru akan sama persis dengan generasi yang lama. Jika probabilitas crossover 100% maka semua keturunannya dihasilkan dari crossover. Crossover dilakukan dengan harapan bahwa kromosom yang baru akan lebih baik.

2. Probabilitas Mutasi (Mutation Probability)

Menunjukkan kemungkinan mutasi terjadi pada gen-gen yag menyusun sebuah kromosom. Jika tidak terjadi mutasi maka keturunan yang dihasilkan setelah crossover tidak berubah. Jika terjadi mutasi, bagian kromosom akan berubah. Jika

probabilitas 100%, semua kromosom dimutasi. Jika probabilitasnya 0%, tidak ada yang mengalami mutasi.

3. Ukuran Populasi

Menunjukkan jumlah kromosom yang terdapat dalam populasi. Jika hanya sedikit kromosom dalam populasi maka algoritma genetika akan mempunyai sedikit variasi kemungkinan untuk melakukan crossover. Sebaliknya jika terlalu banyak maka algoritma genetika akan berjalan lambat dalam menemukan solusi.

Ada beberapa rekomendasi parameter yang bisa digunakan, yaitu:

a. Untuk permasalahan yang memilki kawasan solusi cukup besar, De Jong merekomendasikan untuk nilai parameter kontrol: (popsize; pc; pm) = (50;0,6;0,001).

b. Bila rata-rata Fitness setiap generasi digunakan sebagai indikator, maka Grenfenstette merekomendasikan: (popsize;pc;pm) = (30;0,95;0,01)

c. Bila Fitness dari individu terbaik dipantau pada setiap generasi, maka usulannya adalah: (popsize;pc;pm) = (80;0,45;0.01).

Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang jenis permasalahan.

2.13 Penelitian Terdahulu

Penelitian Aulia Fitrah, Achmad Zaky, Fitrasani, 2012 yang berjudul Penerapan algoritma genetika pada persoalan pedagang keliling (TSP). Pada penelitian ini dilakukan penyelesaian TSP menggunakan algoritma genetika. Solusi yang dihasilkan oleh algoritma ini belum merupakan solusi paling optimal namun algoritma genetika ini menghasilkan solusi yang lebih optimal pada setiap generasinya.

Penelitian Marwana, 2012 yang berjudul Optimasi Penjadwalan Mata Kuliah Menggunakan Algoritma Genetika Berbasis Permintaan Mahasiswa. Pada penelitian ini dilakukan penyusunan jadwal mata kuliah menggunakan algoritma genetika. Proses penelitian menggunakan data input berupa mahasiswa dengan jumlah mata kuliah (teori/praktek) yang diambil, kode dan nama mata kuliah yang diambil serta hari dan sesi jadwal yang bisa, kemudian diolah menggunakan algoritma genetika sehingga diperoleh optimasi penjadwalan yaitu kondisi di mana terjadi kombinasi terbaik antara mata kuliah dan waktu luang mahasiswa, serta ketersediaan ruangan

solusi penjadwalan pada waktu yang dapat digunakan baik oleh mahasiswa dan ruangan yang terlibat dalam suatu mata kuliah.

Penelitian Samuel dan kawan-kawan, 2005 yang berjudul Penerapan algoritma genetika untuk Traveling Salesman Problem dengan menggunakan metode order crossover dan Insertion Mutation. Pada penelitian ini membahas bagaimana algoritma genetik menyelesaikan TSP dengan menggunakan order crossover sebagai teknik rekombinasi dan insertion mutation sebagai teknik mutasi yang digunakan pada algoritma genetik menunjukkan bahwa algoritma genetika dapat digunakan untuk menyelesaikan masalah optimasi yang kompleks seperti mencari rute paling optimum, menggunakan beberapa metode seleksi yaitu roulette wheel, elitism dan gabungan antara metode roulette wheel dan elitism. Ada dua jenis crossover yang digunakan yaitu one cut point crossover dan two cut point crossover; (Tamilarsi & Kumar 2010) menemukan sebuah metode baru dalam penyelesaian masalah penjadwalan job shop menggunakan hybrid Genetic Algorithm (GA) dengan Simulated Annealing (SA); (Nasution, 2012) analisis penyelesaian TSP menggunakan partially mapped crossover dengan menentukan nilai probabilitas crossover 20%, 40%, 60%, 80% dan 99%. (Kusum Deep & Hadush Mebrahtu, 2012) membuat variasi pada partially mapped crossover dengan menentukan letak kromosom dalam posisi acak. (Alfonsas &, Bronislovas, 2005). membandingkan 10 operator crossover pada Quadratic Assignment Problem di mana hasil yang diperoleh menunjukkan bahwa crossover MPX mampu mendapakan solusi yang lebih baik dibandingkan operator lain yang telah diuji. (Kusum Deep & Hadush Mebrahtu, 2011) menggabungkan 2 operator mutasi untuk meningkatkan kerja algoritma genetika untuk meminimumkan cost pada travelling salesman problem (TSP).

Penelitian Made Darma Yunantara, I Gede Santi Astawa, Ngr. Agus Sanjaya E.R, 2010 yang berjudul Analisis Dan Implementasi Penjadwalan Dengan Menggunakan Pengembangan Model Crossover Dalam Algoritma Genetika. Pada penelitian ini terdapat 2 metode yang dikembangkan, pertama dengan memotong gen hanya pada gen yang mengalami bentrok, dan yang kedua merandom gen yang akan dipotong. Gen dipotong secara utuh tidak memotong ditengah gen, sehingga tidak merusak gen. Hasil analisis terhadap hasil uji coba menunjukan bahwa pengembangan metode crossover dapat diimplementasikan pada kasus penjadwalan dan terlihat bahwa metode yang memotong gen hanya pada gen yang bentrok lebih cepat

mencapai nilai terbaik atau mendekati 1 daripada metode yang hanya merandom gen saja. Dari nilai akhir juga terlihat bahwa metode yang memotong gen pada gen yang bentrok memiliki nilai akhir lebih baik. Selain itu kedua metode ini mampu meminimalisir kerusakan pada kromosom hasil dari crossover.

Penelitian Bangun et al, 2012 yang berjudul Penerapan Konsep Algoritma Genetika untuk Penjadwalan Kegiatan Perkuliahan Semester Ganjil Kurikulum 2012 di Jurusan Matematika FMIPA UNSRI. Pada penelitian ini, konsep algoritma genetika diaplikasikan pada proses penjadwalan kegiatan perkuliahan semester ganjil kurikulum 2012 di Jurusan Matematika FMIPA UNSRI. Hasil proses diperoleh penjadwalan yang memenuhi kondisi dan syarat yang telah ditentukan. Jadwal yang telah dihasilkan merupakan jadwal yang diperoleh dari kromosom 5 generasi ke-19.

Penelitian Ridha Apriani, 2012 yang berjudul Algoritma genetika untuk menyelesaikan permasalahan penjadwalan perkuliahan dan praktikum. Pada penelitian ini

pencarian solusi penjadwalan perkuliahan dan praktikum dengan waktu yang lebih cepat. Hasil pengujian dengan input nilai parameter yang sama atau berbeda, proses penjadwalan menghasilkan hasil generasi dan iterasi yang berbeda – beda.

Penelitian Justina Adamanti, 2002 yang berjudul Penyelesaian masalah penjadwalan mata kuliah di Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Gadjah Mada dengan menggunakan algoritma genetika. Pada penelitian ini diperoleh hasil uji parameter, metode seleksi terbaik adalah seleksi turnamen, metode perkawinan silang terbaik adalah perkawinan silang banyak titik, tanpa elitsm umumnya lebih cepat menyelesaikan penjadwalan dan jumlah populasi yang lebih baik untuk model kromosom masalah penjadwalan mata kuliah yang memiliki sekitar 300 gen adalah sekitar 100 individu, tetapi tidak lebih cepat dalam waktu dibandingkan dengan jumlah populasi yang lebih sedikit.

Pada penelitian Karegowda, A. G., Manjunath, A.S. & Jayaram, M.A., 2011 yang berjudul Application of genetic algorithm Optimized neural network Connection weights for medical Diagnosis of pima Indians diabetes. Pada penelitian ini dilakukan hibridisasi algoritma genetika dengan jaringan syaraf tiruan (JST). Jaringan saraf adalah salah satu dari banyak data mining alat analisis yang dapat digunakan untuk membuat prediksi data medis. Pemilihan model untuk jaringan saraf memerlukan berbagai faktor seperti pemilihan optimal jumlah node tersembunyi, pemilihan

ABSTRAK

Pemutaran iklan pada sebuah stasiun radio komersial dilakukan setiap hari mulai dari hari Minggu sampai Sabtu. Pada stasiun radio komersial, pada umumnya pembuatan jadwal iklan masih secara manual yang mana hal ini berakibat kelambatan penyajian jadwal iklan mingguan. Waktu pemutaran terdiri dari dua jenis yaitu prime time dan regular time. Penjadwalan Iklan Radio yang akan dibahas pada penelitian ini adalah pemutaran iklan yang dilakukan pada jadwal siar radio yaitu antara jam 5 pagi sampai jam 24 malam di mana dengan aturan setiap 15 menit disediakan 3 slot pemutaran iklan dengan durasi per iklan maksimumnya adalah 1 menit. Jadi jika waktu siar radio per hari adalah 19 jam, maka jumlah maksimum iklan per hari yang dapat ditayangkan adalah 76 iklan. Aturan lainnya adalah diberlakukannya prime time yaitu jam-jam dimana masyarakat umum (pendengar) mempunyai peluang terbesar mendengarkan radio yaitu antara jam 6:00-10:00 pagi dan jam 16:00-20:00 malam. Jumlah pemutaran iklan yang sama pada satu hari dibatasi untuk prime time yaitu 5 kali, sedangkan untuk regular time 8 kali. Proses penjadwalan radio dilakukan menggunakan algoritma genetika yang terdiri dari proses-proses inisialisasi kromosom, seleksi, crossover serta mutasi. Kromosom pada penelitian ini terdiri dari 3 gen, yang mana setiap kromosom akan dievaluasi berdasarkan nilai fitnesnya yang dihitung berdasarkan jumlah pelanggaran aturan yang terjadi pada setiap kromosom dalam suatu individu. Dimana aturan 1 adalah jumlah pemutaran per iklan tidak boleh lebih dari 5 kali dalam satu hari dan aturan 2 adalah tidak boleh ada dua atau lebih penjadwalan iklan yang ditayangkan pada hari dan waktu yang sama. Setelah itu diperoleh nilai fitnes masing-masing kromosom, maka dilakukan seleksi, crossover dan mutasi. Dari penelitian ini dihasilkan jadwal iklan yang optimal dengan menjadwalkan keseluruhan data iklan, hari dan waktu pemutaran iklan dengan Tingkat akurasi: rata-rata persentase adalah 83,79 %.

SCHEDULING OF ADVERTISING ON COMMERCIAL RADIO STATIONS USING GENETIC ALGORITHM

ABSTRACT

Ad plays on a commercial radio station is airing every day from Sunday to Saturday. In the commercial radio stations, the weekly advertisings are scheduled manually at the common in which cause the schedule of weekly advertisings is in a delay presentation. The playback times is composed of two types, those are prime time and regular time. This research will describe the radio ad scheduling is which the ad plays on the radio broadcast schedule from 05:00 a.m until 00:00 a.m with the rules every 15 minutes provided 3 slots per ad plays with 1 minute of maximum duration each one ad. So if a radio broadcast time per day has 19 hours, the results per day can be displayed 76 ads as maximum number. Another rule is the imposition of prime time at the hours where the public (audiences) have the greatest opportunity of listening to the radio which is between 06:00-10:00 a.m and 16:00-20:00 pm. Ad plays the same number in a single day is limited to prime time, that is 5 times, while for regular one is 8 times. Radio’s scheduling process is performed using a genetic algorithm that consists of the chromosomes initializing processes, selection, crossover and also the mutation. Chromosomes in this study consisted of three genes, where each chromosome will be evaluated based on the fitness/benefit value that is calculated based on the number violations of rules that occur on each chromosome in an individual. Where rule 1 is the number of plays per ad cannot be more than 5 times in one day and the second rule is there should not be two or more scheduling ads that aired on the same day and time. After that it’s obtainable the fitness/benefit value of each chromosome, then the selection, crossover and mutation making. Results from this research is an optimal producing of ad schedule by arranging the overall schedule of advertising data, the day of advertising and the playing time with accuracy: The average percentage is 83,79 %.

DAFTAR ISI

Halaman

PERSETUJUAN ... i

PERNYATAAN ... ii

UCAPAN TERIMA KASIH ... iii

ABSTRAK ... iv

ABSTRACT ... v

DAFTAR ISI ... vi

DAFTAR TABEL ... viii

DAFTAR GAMBAR ... ix

BAB 1 : PENDAHULUAN 1.1 Latar Belakang Masalah ... 1

1.2 Rumusan Masalah ... 2

1.3 Batasan Masalah ... 2

1.4 Tujuan Penelitian ... 3

1.5 Manfaat Penelitian ... 3

1.6 Metodologi Penelitian ... 3

1.7 Sistematika Penulisan ... 4

BAB 2 : LANDASAN TEORI 2.1 Penjadwalan Iklan ... 5

2.2 Algoritma Genetika ... 7

2.3 Struktur Umum Algoritma Genetika ... 9

2.4 Teknik Pengkodean ... 12

2.4.1 Pengkodean Biner ... 12

2.4.2 Pengkodean Nilai ... 12

2.4.3 Pengkodean Pohon ... 13

2.4.4 Pengkodean Permutasi ... 13

2.5 Membangkitkan Kromosom Awal ... 14

2.6 Evaluasi Fitness ... 14

2.7 Seleksi ... 14

2.7.1 Seleksi Roda Roulete (Roulete Wheel Selection) . 15 2.7.2 Seleksi Ranking (Rank-based Fitness) ... 15

2.7.3 Seleksi Turnamen (Turnament Selection) ... 15

2.8 Crossover ... 15

2.8.1 One Point Crossover ... 16

2.8.2 Two Point Crossover ... 16

2.8.3 Uniform Crossover ... 16

2.8.4 Partially Mapped Crossover (PMX) ... 17

2.9 Mutasi ... 17

2.9.1 Mutasi Pengkodean Biner ... 17

2.9.2 Mutasi Pengkodean Nilai ... 18

2.9.3 Mutasi Pengkodean Permutasi ... 18

2.9.4 Mutasi Pengkodean Pohon ... 19

2.10 Mekanisme Algoritma Genetika ... 20

2.11 Parameter – Parameter dalam Algoritma Genetika …… 21

2.13 Penelitian Terdahulu ... 21

BAB 3 : ANALISIS DAN PERANCANGAN 3.1 Identifikasi Masalah pada Penjadwalan Iklan Radio ... 28

3.1.1 Arsitektur Umum ... 28

3.1.2 Algoritma Genetika untuk Penjadwalan Iklan Radio ... 29

3.1.3 Representasi Kromosom ... 29

3.1.4 Inisialisasi Populasi ... 31

3.1.5 Evaluasi Fitness ... 32

3.1.6 Seleksi ... 34

3.1.7 Crossover ... 34

3.1.8 Mutasi ... 35

3.2 Perancangan Sistem ... 37

3.2.1 Rancangan Data ... 37

3.2.1.1 Struktur Tabel ... 38

3.2.1.2 Relasi Antar Tabel ... 40

3.2.2 Flowchart Sistem ... 41

3.2.3 Perancangan Antarmuka (Interface) ... 42

3.2.3.1 Rancangan Menu Utama ... 42

3.2.3.2 Rancangan Login... 43

3.2.3.3 Rancangan Data Iklan ... 43

3.2.3.4 Rancangan Data User ... 44

3.2.3.5 Rancangan Pemasukan Iklan ... 45

3.2.3.6 Rancangan Penjadwalan ... 45

3.2.3.7 Rancangan Rule ... 46

3.2.3.8 Rancangan Pergeseran Manual ... 47

3.2.3.9 Rancangan Menu Cetak ... 48

3.2.3.10 Rancangan Laporan Penjadwalan ... 48

3.2.3.11 Rancangan Pengujian ... 49

BAB 4 : IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi ... 50

4.1.1 Tampilan Menu Utama ... 50

4.1.2 Tampilan Login ... 51

4.1.3 Tampilan Data Iklan ... 51

4.1.4 Tampilan Data User ... 52

4.1.5 Tampilan Pemasukan Iklan ... 52

4.1.6 Tampilan Proses Penjadwalan ... 53

4.1.7 Tampilan Rule ... 53

4.1.8 Tampilan Pergeseran Manual ... 54

4.1.9 Tampilan Penjadwalan Prime Time ... 55

4.1.10 Tampilan Penjadwalan Reguler Time ... 55

4.2 Pengujian Penjadwalan dengan Variasi Genetika ... 56

4.3 Tampilan Pengujian Data Penjadwalan ... 56

BAB 5 : KESIMPULAN DAN SARAN 5.1 Kesimpulan ... 63

5.2 Saran ... 63

DAFTAR PUSTAKA ... 64

DAFTAR TABEL

Halaman

Tabel 2.1 Contoh Pengkodean Biner ... 12

Tabel 2.2 Contoh Pengkodean Nilai ... 13

Tabel 2.3 Contoh Pengkodean Permutasi ... 14

Tabel 2.4 Contoh Mutasi Pengkodean Biner ... 18

Tabel 2.5 Contoh Mutasi Pengkodean Nilai ... 18

Tabel 2.6 Contoh Mutasi Pengkodean Permutasi ... 18

Tabel 2.7 Contoh Mutasi Pengkodean Pohon ... 20

Tabel 2.8 Penelitian Terdahulu ... 26

Tabel 2.9 Penelitian Terdahulu (Lanjutan) ... 27

Tabel 3.1 Representasi Kromosom ... 30

Tabel 3.2 Representasi Kromosom Individu Prime Time ... 31

Tabel 3.3 Representasi Kromosom Individu Reguler Time ... 32

Tabel 3.4 Populasi ... 32

Tabel 3.5 Nilai Fitness ... 34

Tabel 3.6 Tabel User ... 38

Tabel 3.7 Tabel Iklan ... 38

Tabel 3.8 Tabel Waktu ... 39

Tabel 3.9 Tabel Jam Putar ... 39

Tabel 3.10 Tabel JadwalRTFix ... 39

Tabel 3.11 Tabel JadwalPTFix ... 40

Tabel 3.12 Rancangan Laporan Penjadwalan ... 48

Tabel 3.13 Rancangan Pengujian Parameter Genetika ... 49

Tabel 4.1 Tampilan Pengujian Parameter Genetika Pada Waktu Reguler Time ... 56

DAFTAR GAMBAR

Halaman

Gambar 2.1 Ilustrasi Tahapan Proses dari Algoritma Genetika ... 8

Gambar 2.2 Individu dalam Algoritma Genetika ... 11

Gambar 2.3 Pengkoden Pohon ... 13

Gambar 2.4 Contoh Inversion Mutation ... 19

Gambar 2.5 Contoh Exchange Mutation... 19

Gambar 3.1 Arsitektur Umum ... 29

Gambar 3.2 Ilustrasi Crossover Satu Titik ... 35

Gambar 3.3 Kromosom hasil Mutasi IDWaktu ... 36

Gambar 3.4 Kromosom hasil Mutasi IDHari ... 36

Gambar 3.5 Relasi Antar Tabel ... 40

Gambar 3.6 Flow Chart Rancangan Sistem... 41

Gambar 3.7 Rancangan Menu Utama ... 43

Gambar 3.8 Rancangan Login ... 43

Gambar 3.9 Rancagan Data Iklan ... 44

Gambar 3.10 Rancangan Data User ... 44

Gambar 3.11 Rancangan Pemasukan Iklan ... 45

Gambar 3.12 Rancangan Penjadwalan ... 46

Gambar 3.13 Rancangan Rule ... 47

Gambar 3.14 Rancangan Pergeseran Manual ... 47

Gambar 3.15 Rancangan Menu Cetak ... 48

Gambar 4.1 Tampilan Menu Utama ... 50

Gambar 4.2 Tampilan Menu Login ... 51

Gambar 4.3 Tampilan Data Iklan ... 51

Gambar 4.4 Tampilan Data User ... 52

Gambar 4.5 Tampilan Pemasukan Iklan ... 52

Gambar 4.6 Tampilan Penjadwalan ... 53

Gambar 4.7 Tampilan Rule ... 54

Gambar 4.8 Tampilan Pergeseran Manual ... 54

Gambar 4.9 Tampilan Laporan Penjadwalan Prime Time ... 55

Gambar 4.10 Tampilan Laporan Penjadwalan Reguler Time ... 55

Gambar 4.11 Tampilan Pengujian 50 Iklan ... 57

Gambar 4.12 Tampilan Pengujian 150 Iklan ... 57

Gambar 4.13 Tampilan Pengujian 200 Iklan ... 58

Gambar 4.14 Tampilan Pengujian 250 Iklan ... 59

Gambar 4.15 Tampilan Pengujian 300 Iklan ... 59

Gambar 4.16 Tampilan Pengujian 350 Iklan ... 60

Gambar 4.17 Tampilan Pengujian 400 Iklan ... 60

Gambar 4.18 Tampilan Pengujian 450 Iklan ... 61