Sistem Penjadwalan Dinamis Mahasiswa Baru Menggunakan Algoritma Genetika (Studi Kasus: Registrasi Ulang Mahasiswa Baru Universitas Sumatera Utara) Chapter III V
BAB 3
ANALISIS DATA DAN PERANCANGAN
3.1 Analisis Data dan Sistem dengan Metode Algoritma Genetika
Dalam penelitian ini data yang diambil adalah data-data Mahasiswa Registrasi
Ulang Mahasiswa Baru Universitas Sumatera Utara 2015.
Metode yang digunakan adalah algoritma genetika karena dapat menyelesaikan
permasalahan penjadwalan registrasi ulang. Algoritma genetika merupakan metode
pencarian dimana dalam proses encoding (pengkodean) menghasilkan string yang
kemudian disebut kromosom yang terdiri dari sekumpulan bit-bit, pohon, array
bilangan real, daftar aturan, elemen permutasi, elemen program, atau representasi
lainnya. Bit-bit ini dikenal sebagai penyusun sebuah kromosom. Jadi satu kromosom
terdiri dari gen-gen. Gen dalam kasus ini adalah urutan tabel mahasiswa, jadwal
ruangan dan waktu telah dikodekan terlebih dahulu sehingga membentuk suatu
kromosom, berarti bahwa panjang kromosom akan sesuai dengan jumlah
penjadwalan. Sedangkan individu merupakan kumpulan kromosom, dalam kasus ini
satu individu memiliki satu kromosom. Sedangkan populasi, merupakan kumpulan
individu yang telah ditentukan jumlahnya oleh user.
3.2 Analisis Sistem
3.2.1 Perancangan Penelitian
Analisis suatu sistem bertujuan untuk mengidentifikasi permasalahan yang ada
pada sistem tersebut. Analisis ini sangat diperlukan sebagai dasar perancangan
sistem sebelum dibangun. Analisis sistem mencakup beberapa bagian yaitu
analisa data, deskripsi system penjadwan, perancangan desain dan implementasi
desain.
Universitas Sumatera Utara
Metode penelitian yang dilakukan adalah metode penelitian eksperimen,
dengantahapan penelitian seperti berikut:
1.
Identifikasi Masalah / Analisis Data
Tahap ini untuk mengumpulkan data yang diperlukan sebagai bahan masukan
(input) untuk membuat penjadwalan dengan algoritma genetika yaitu data
mahasiswa, jumlah ruangan, muatan ruangan, waktu proses permahasiswa,
jam mulai, jalur masukyang ada.
2.
Penentuan parameter – parameter / nilai variabel
3.
Perancangan system yang menerapkan parameter – parameter / nilai variabel
Untuk perancangan sistem penjadwalan registrasi ini terdiri dari tiga tahapan
yaitu:
a.
Perancangan Algoritma Genetika
Proses ini untuk mengolah data input adalah dengan algoritma genetika.
Output yang dihasilkan sesuai dengan apa yang diharapkan.
b.
Perancangan Desain
Tahap ini terdiri dari 3 bagian yaitu permodelan proses dan data
bertujuan untuk merancang diagram arus data (DAD), entity relationship
diagram (ERD) dan tabel database, serta perancangan user interface
bertujuan untuk merancang interface/tampilan input dan output sistem
pada layar dengan menggunakan prinsip-prinsip GUI (Graphical User
Interface) yang mudah dipahami oleh pengguna sistem.
c.
Perancangan Sistem Penjadwalan
Mengimplementasikan rancangan sistem ke dalam modul program
(coding program). Pada proses ini akan mengkonversikan perancangan
ke dalam kegiatan operasi coding dengan menggunakan bahasa
pemograman tertentu yang dilandasi pada penggunaan algoritma
genetika untuk proses penyusunan jadwal registrasi.
Universitas Sumatera Utara
4.
Eksperimen dan Pengujian Metode (Method Test and Experiment)
Menguji apakah aplikasi telah siap digunakan dan berfungsi dengan baik.
Proses pengujian dilakukan pada logika internal untuk memastikan semua
pernyataan sudah diuji. Pengujian eksternal fungsional untuk menemukan
kesalahan-kesalahan dan memastikan bahwa input akan memberikan hasil
yang aktual sesuai yang dibutuhkan. Pengujian pada penelitian ini mengambil
data penjadwalan registrasi ulang Universitas Sumatera Utara tahun 2015.
5.
Evaluasi dan Validasi Hasil (Result Evaluation and Validation).
3.2.2 Metode Pengumpulan Data
Dalam penelitian ini data yang dikumpulkan terbagi menjadi dua jenis, yaitu:
a.
Data Sekunder
Data sekunder adalah data yang diperoleh secara langsung bersumber dari
USU, dokumentasi, studi kasus, buku, jurnal dan informasi lainnnya yang ada
hubungannya dengan masalah yang diteliti. Data sekunder pada penelitian ini
adalah data penjadwalan yang selama ini dibuat oleh USU.
b.
Data Primer
Data primer adalah data yang diperoleh dari penelitian. Data primer dalam
penelitian ini adalah data ruangan, data mahasiswa, waktu proses, data shift,
dan aturan-aturan untuk penjadwalan.
3.2.3
Data Identitas Mahasiswa
Data jadwal Mahasiswa diambil dari Universitas Sumatera Utara yang dilakukan
sebagai objek penelitian sebagai bahan dasar sampel sistem. Data tersebut
kemudian dimasukkan ke dalam database berupa bahan dasar sebagai data
penjadwalan nantinya terhadap sistem. Semua data tersebut digunakan ketika
aplikasi
dijalankan.
Database
identitas
Mahasiswa
ditetapkan
sebagai
databaseMahasiswa dimana merupakan data setiap Mahasiswa baik itu jalur
Universitas Sumatera Utara
SNMPTN dan BIDIK MISI, yang berisi tentang identitas Mahasiswa dan jalur
lulus.
Parameter – parameter yang diperlukan dalam masalah algoritma genetika di
registrasi ulang yaitu:
1.
Jumlah Mahasiswa
2.
a. Jalur SNMPTN
: 2.611
b. Jalur BIDIK MISI
: 468 Mahasiswa
Jumlah Ruangan
3.
a. Jalur SNMPTN
: 10 ruangan
b. Jalur BIDIK MISI
: 2 ruangan
Kapasitas Ruangan
4.
a. Jalur SNMPTN
: 20 kursi
b. Jalur BIDIK MISI
: 20 kursi
Waktu Proses/mahasiswa
5.
a. Jalur SNMPTN
: 1 menit
b. Jalur BIDIK MISI
: 1.3 menit
Shift/hari
a. Shift Pagi (shift 1)
: 09.00-12.00
b. Shift Sore (shift 2)
: 13.00-16.00
Tabel 3.1 Data Mahasiswa Jalur SNMPTN
No
Nama
Asal Sekolah
1
2
3
Anne Tarmiya
Nasri
Fitri Sri Rahma
SMU Sutomo 1, Medan
SMU WR Supratman 2, Medan
MA Negeri, Lubuk Pakam
.
.
.
.
.
.
.
.
.
Dewa Batara Putra
Kesuma
SMU Negeri 1, Medan
2611
Nomor
Test/Ujian
4150120717
4150100928
4150126891
.
.
.
4150776596
Universitas Sumatera Utara
Tabel 3.2 Data Mahasiswa Jalur BIDIKMISI
No
Nama
Asal Sekolah
1
2
3
Theresia Magdalena
Rofikhatul Husna
Masna Arisah
SMU Negeri 17, Medan
MAN Tanjung Morawa
SMAN PlusMandailingNatal
.
.
.
.
.
.
.
.
.
Silvia Maura
Smu Negeri 1, Kutacane
468
Nomor
Test/Ujian
4150417606
4150190417
4150325375
.
.
.
4150080743
3.2.4 Data Penjadwalan Mahasiswa dan Menentukan Ruangan
Database penjadwalan dan ruangan Mahasiswa Universitas Sumatera Utara
ditetapkan sebagai database jadwal registrasi ulang mahasiswa dimana
merupakan data setiap mahasiswa baik itu jalur regular dan Bidikmisi, yang berisi
tentang jadwal kegiatan mahasiswa tersebut dalam menjalankan registrasi ulang
tersebut.
Tabel 3.3 Data Penjadwalan dan Ruangan registrasi ulang mahasiswa jalur
SNMPTN
No
1
Nama
Anne Tarmiya
Jadwal Jam
09.00-10.00 WIB
Ruangan
RR1
2
3
.
.
.
Nasri
Fitri Sri Rahma
.
.
.
10.00-11.00 WIB
14.00-15.00 WIB
.
.
.
RR3
RR6
.
.
.
SMU Negeri 1, Medan
RR10
2611 Dewa Batara Putra Kesuma
Universitas Sumatera Utara
Tabel 3.4 Data Penjadwalan dan Ruangan registrasi ulang mahasiswa jalur
BIDIKMISI
No
1
2
3
.
.
.
Nama
Theresia Magdalena
Rofikhatul Husna
Masna Arisah
.
.
.
468
Silvia Maura
Jadwal Jam
09.00-10.00 WIB
10.00-11.00 WIB
14.00-15.00 WIB
.
.
.
Ruangan
RB1
RB3
RB6
.
.
.
Smu Negeri 1, Kutacane
RR10
3.3 Proses Penjadwalan dengan Algoritma Genetika
3.3.1 Rancangan Sistem
Proses rancangan sistem algoritma genetika pada penjadwalan registrasi terdiri
dari proses data input, Pembentukan Kromosom dari Populasi, Evaluasi Fitness,
Seleksi Proses, Perkawinan Silang (Crossover), Proses Mutasi dan Kondisi
selesai. Rancangansistem dapat dijelaskan melalui flowchart. Flowchart adalah
bagan-bagan yang menggambarkan langkah-langkah suatu masalah. Dibawah ini
adalah
Universitas Sumatera Utara
flowchart algoritma genetika untuk menetukan permasalahan penjadwalan
registrasi.
Mulai
Jumlah Mahasiswa,
Jumlah Ruangan,
Muatan Ruangan, Waktu
Proses Input Data
Pembuatan Kromosom
dan Populasi
Evaluasi Nilai Fitness
Ya
Cek
Fitness = 1
Selesai
Tid
ak
Seleksi
Crossover
Mutasi
Gambar 3.1 Flowchart Penjadwalan dengan Metode AG
Universitas Sumatera Utara
3.3.2 Menentukan Representasi Kromosom
Penentuan populasi awal adalah proses membangkitkan sejumlah kromosom
secara acak (random). Kromosom menyatakan salah satu alternatif solusi yang
dimungkinkan. Kromosom dapat dikatakan sama dengan individu. Ukuran
populasi tergantung pada masalah yang akan diselesaikan. Setelah ukuran
populasi ditentukan, langkah selanjutnya adalah membangkitkan populasi awal
dengan cara melakukan inisialisasi solusi yang dimungkinkan kedalam sejumlah
kromosom. Panjang satu kromosom ditentukan berdasarkan permasalahan yang
diteliti.
Karena kita sudah mendapatkan data-datanya. Kita dapat menentukan
variable-variabel yang dibutuhkan, variablenya adalah jumlah_mahasiswa,
jumlah_ruangan, waktu_proses, kapasitas_ruangan. Maka
variabel-variabel
tersebut dijadikan sebagai gen-gen pembentuk kromosom. Batasan nilai variabel
jumlah_mahasiswa = 2.611 orang untuk Jalur SNMPTN dan 468 orang untuk
jalur BIDIK MISI, jumlah_ruangan = 10 ruangan, waktu_proses = 1 menit untuk
jalur SNMPTN dan 1.3 menit untuk jalur BIDIK MISI, kapasitas_ruangan 20
orang untuk SNMPTN dan BIDIK MISI.
3.3.3 Inisialisasi dan Pembuatan Populasi Awal
Sebelum kita menentukan proses insialisasi kita tentukan variable baru untuk
jumlah_ruangan, Karena jumlah_ruangan = 10 maka kita tentukan variabelnya
misalkan
Rn
Karena kita
memiliki 10
ruangan
maka kita tentukan
R1,R2,R3…R10, Proses inisialisasi dilakukan dengan cara memberikan nilai awal
gen-gen dengan nilai acak sesuai batasan yang telah ditentukan.
Universitas Sumatera Utara
Untuk ilustrasi lebih jelasnya dapat dilihat pada Gambar berikut.
Jumlah Gen
Po
pul
asi
Kromosom [Pn] = R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
Gen
Gambar 3.2 Ilustrasi Dekode Kromosom
Jika jalur SNMPTN
a.
Jumlah Mahasiswa
: 2.611 mahasiswa
b.
waktu proses
: 1 menit
c.
Jumlah Ruangan
: 10 ruangan
d.
kapasitas ruangan
: 20 mahasiswa
Kita misalkan P = proses, Setiap P = 200 mahasiswa, karena dalam satu proses
ada 10 ruangan berjalan secara bersamaan, setiap dalam ruangan bermuatan 20
mahasiswa.
Maka P = Jumlah Ruangan x Muatan Ruangan
(3)
= 10 x 20
= 200
Jadi, untuk P ada: P1 + P2 + P3 + P4 + P5 + P6 + P7 + P8 + P9 + P10 + P11 +
P12 + P13 + P14 = 2.611 mahasiswa.
Jadi kita dapat menententukan jumlah populasi adalah 14 kromosom, maka:
kromosom [P1]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P2]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P3]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P4]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
Universitas Sumatera Utara
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P5]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P6]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P7]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P8]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P9]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom[P10]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom[P11]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom[P12]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P13]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom[P14]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [11;00;00;00;00;00;00;00;00;00]
Jika jalur BIDIK MISI
a.
Jumlah Mahasiswa
: 468mahasiswa
b.
waktu proses
: 1.3 menit
c.
Jumlah Ruangan
: 2 ruangan
d.
kapasitas ruangan
: 20 mahasiswa
Kita misalkan P = proses, Setiap P = 40 mahasiswa, karena dalam satu proses ada
2 ruangan berjalan secara bersamaan, setiap dalam ruangan bermuatan 20
mahasiswa dengan menggunakan rumus (3) didapat.
Universitas Sumatera Utara
Maka P = Jumlah Ruangan x Muatan Ruangan
= 2 x 20
= 40
Jadi, untuk P ada: P1 + P2 + P3 + P4 + P5 + P6 + P7 + P8 + P9 + P10 + P11 +
P12 = 468 mahasiswa.
Jadi kita dapat menententukan jumlah populasi adalah 12 kromosom, maka:
kromosom [P1]
= [R1;R2] = [20;20]
kromosom [P2]
= [R1;R2] = [20;20]
kromosom [P3]
= [R1;R2]= [20;20]
kromosom [P4]
= [R1;R2] = [20;20]
kromosom [P5]
= [R1;R2] = [20;20]
kromosom [P6]
= [R1;R2] = [20;20]
kromosom [P7]
= [R1;R2] = [20;20]
kromosom [P8]
= [R1;R2] = [20;20]
kromosom [P9]
= [R1;R2] = [20;20]
kromosom[P10]
= [R1;R2] = [20;20]
kromosom[P11]
= [R1;R2] = [20;20]
kromosom[P12]
= [R1;R2] = [20;08]
Untuk menentukan populasi awal dilakukan dengan mengacak secara random
nomor antrian dari tabel-tabel yang telah di tentukan yakni tabel kode gen
mahasiswa dalam satu shift dan tabel slot waktu. Jumlah kromosom yang akan di
inisialisasi dalam populasi awal ini adalah sebanyak 14 kromosom untuk jalur
SNMPTN dan 12 kromosom untuk jalur BIDIK MISI.
Universitas Sumatera Utara
Tabel 3.5 Kode Gen Proses
SNMPTN
BIDIK MISI
No_Antrian_Gen
Proses
No_Antrian_Gen
Proses
1-200
P1
1-40
P1
201-400
P2
41-80
P2
401- 600
P3
81-120
P3
601- 800
P4
121-160
P4
801- 1000
P5
161-200
P5
1001- 1200
P6
201-240
P6
1200- 1400
P7
241-280
P7
1401-1600
P8
281-320
P8
1601-1800
P9
321-360
P9
1801-2000
P10
361-400
P10
2000-2200
P11
401-440
P11
2201-2400
P12
441-468
P12
2401-2600
P13
-
-
2601-2611
P14
-
-
Tabel 3.6 Slot Waktu SNMPTN
No_Antrian_Proses
P1
Jam Mulai
09.01
Jam Selesai
09.20
P2
09.21
09.40
P3
09.41
10.00
P4
10.01
10.20
P5
10.21
10.40
P6
10.41
11.00
P7
11.01
11.20
P8
11.21
11.40
P9
11.41
12.00
P10
13.01
13.20
P11
13.21
13.40
P12
13.41
14.00
P13
14.01
14.20
P14
14.21
14.40
Universitas Sumatera Utara
Tabel 3.7 Slot Waktu BIDIK MISI
No_Antrian_Proses
Jam Mulai
Jam Selesai
P1
09.01
09.26
P2
09.27
09.53
P3
09.54
10.20
P4
10.21
10.47
P5
10.48
11.14
P6
11.15
11.41
P7
13.01
11.26
P8
13.27
11.53
P9
13.54
12.20
P10
14.21
13.47
P11
14.48
13.14
P12
14.15
14.41
3.3.4 Evaluasi Nilai 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.
Fungsi yang digunakan untuk mengukur nilai kecocokan atau derajat
optimalitas suatu kromosom disebut dengan fitness function (Sam’ani, 2012).
Nilai yang dihasilkan dari fungsi tersebut menandakan seberapa optimal solusi
yang diperoleh. Nilai yang dihasilkan oleh fungsi fitness merepresentasikan
seberapa banyak jumlah persyaratan yang dilanggar, sehingga dalam kasus
penjadwalan semakin kecil jumlah pelanggaran yang dihasilkan maka solusi yang
dihasilkan akan semakin baik. Untuk setiap pelanggaran yang terjadi akan
diberikan nilai 1. Agar tidak terjadi nilai fitness yang tak terhingga maka jumlah
total semua pelanggaran akan ditambahkan 1.
Rumus fitness yang digunakan, (Sam’ani, 2012) adalah sebagai berikut:
������� =
1
1+ ��
(4)
Universitas Sumatera Utara
Keterangan:
MT = Banyaknya Mahasiswa Melakukan Pelanggaran / Mahasiswa
Terlambat
Terdapat batasan yang tidak boleh dilanggardalam penjadwalan adalah bagi yang
terlambat jadwalnya akan di undur agar tidak mengganggu jadwal yang lain.
Dari data yang ada akan menghasilkan nilai fitness sebagai berikut:
Fitness Kromosom A =
Fitness Kromosom B =
1
1+( 0 )
1
1+( 1 )
=1
= 0,5
Penetapan nilai fitness kromosom hanya digunakan untuk menghitung fitness
jadwal ruangan dan mahasiswa. Adapun cara penetapan nilai fitness kromosom
adalah sebagai berikut:
a.
Untuk setiap tidak terjadi keterlambatan akan diberikan nilai 0
b.
Untuk setiap terjadi keterlambatan akan diberikan nilai 1
3.3.5 Seleksi
Proses seleksi bertujuan untuk memilih individu-individu yang akan dipilih untuk
proses persilangan dan mutasi, sehingga akan diperoleh calon induk yang baik.
Induk yang baik akan menghasilkan keturunan yang baik. Langkah pertama dalam
seleksi yaitu pencarian nilai fitness. Masing-masing individu dalam suatu wadah
seleksi akan menerima probabilitas reproduksi yang tergantung pada nilai objektif
dirinya sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi
tersebut.
Pembentukan susunan kromosom pada suatu populasi baru dilakukan
dengan menggunakan metode seleksi roulette-wheel. Sesuai dengan namanya,
metode ini menirukan permainan roulette-wheel dimana masing-masing
kromosom
menempati
potongan
lingkaran
pada
roulette-wheel
secara
proporsional sesuai dengan nilai fitnessnya. Kromosom yang memiliki nilai fitness
Universitas Sumatera Utara
lebih besar menempati potongan lingkaran yang lebih besar dibandingkan dengan
kromosom bernilai fitness rendah.
Langkah pertama metode ini adalah dengan menghitung total nilai fitness
seluruh kromosom seperti tabel:
Tabel 3.8 Nilai Fitness
Kromosom
A
B
Total Nilai Fitness
Nilai Fitness
1
0.5
1.5
Langkah kedua adalah menghitung probabilitas setiap kromosom dengan
cara membagi nilai fitness tiap kromosom dengan total nilai fitness.
Rumus untuk mencari probabilitas: P[i] = fitness[i] / total_fitness
(5)
Sehingga didapatkan hasil seperti table:
Tabel 3.9 Probabilitas tiap kromosom
Kromosom
A
B
Total Probabilitas
Probabilitas
1 / 1.5 = 0.66
0.5 / 1.5 = 0.33
1
Langkah ketiga adalah menempatkan masing-masing kromosom pada
interval nilai [0 – 1]. Dapat dilihat pada table:
Tabel 3.10 Interval tiap kromosom
Kromosom
A
B
Interval Nilai
0 - 0.66
0.67- 1
3.3.6 Crossover
Pindah silang (CrossOver) digunakan sebagai metode pemotongan kromosom
secara acak (random) dan merupakan penggabungan bagian pertama dari
kromosom induk 1 dengan bagian kedua dari kromoson induk 2.
Universitas Sumatera Utara
Pindah silang bisa dilakukan hanya jika suatu bilangan acak (random)
yang dibangkitkan untuk kromosom kurang dari probabilitas pindah silang (Pc)
yang ditentukan. Menurut (Suyanto, 2005) Pc umumnya diset mendekati 1,
misalnya 0,5.
Metode pindah silang yang paling umum digunakan adalah pindah silang
satu titik potong (one-point crossover). Suatu titik potong dipilih secara acak
(random), kemudian bagian pertama dari kromosom induk 1 digabungkan dengan
bagian kedua dari kromosom induk 2. Bilangan acak (random) yang dibangkitkan
untuk menentukan posisi titik potong adalah [1-N] dimana N merupakan
banyaknya jumlah gen dalam satu kromosom.
Dimisalkan dari contoh yang ada nilai untuk kromosom P1 dan P3 kurang
dari Pc yang ditetapkan serta bilangan acak (random) untuk posisi perpindahan
adalah pada posisi P1 gen ke 4 dan 7, P3 gen ke 1 dan 10. maka proses pindah
silangnya adalah:
kromosom [P1]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P3]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
Agar lebih mudah kita akan menambahkan variabel agar mudah
membedakannya:
kromosom [P1]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [A20;B20;C20;D20;E20;F20;G20;H20;I20;J20]
kromosom [P3]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [Q20;R20;S20;T20;U20;V20;W20;X20;Y20;Z20]
Hasil pindah silang kedua kromosom tersebut adalah:
kromosom [P1]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [A20;B20;C20;Q20;E20;F20;Z20;H20;I20;J20]
kromosom [P3]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
=[D20;R20;S20;T20;U20;V20;W20;X20;Y20;G20]
Universitas Sumatera Utara
3.3.7 Mutasi
Proses mutasi adalah suatu proses kemungkinan memodifikasi informasi gen-gen
pada suatu kromosom Perubahan ini dapat membuat solusi duplikasi menjadi
memiliki nilai fitness yang lebih rendah maupun lebih tinggi daripada solusi
induknya. Jika ternyata diperoleh solusi yang memiliki fitness yang lebih tinggi
maka hal itulah yang diharapkan. Tetapi jika diperoleh solusi dengan nilai fitness
yang lebih rendah maka bisa jadi pada iterasi berikutnya diperoleh solusi hasil
mutasi yang lebih baik nilai fitnessnya daripada solusi induknya. Untuk semua
gen yang ada, jika bilangan acak (random) yang dibangkitkan kurang dari
probabilitas mutasi (Pmut) yang telah ditentukan maka beberapa informasi gen
akan dirubah dengan menggunakan metode pengkodean nilai. Pada umumnya
diset antara [0 – 1], misalnya 0,1 (Suyanto, 2005).
Untuk memilih posisi gen yang mengalami mutasi dilakukan dengan cara
membangkitkan bilangan integer acak antara 1 sampai total_gen, yaitu untuk jalur
SNMPTN 1 sampai 140 dan untuk jalur BIDIKMISI 1 sampai 24. Probabilitas
mutasi ditetapkan 0,1 maka diharapkan mutasi yang terjadi adalah: 0,1 x 140 = 14
(SNMPTN) dan 0,1 x 12 = 1,2 (BIDIKMISI), 2 gen yang akan mengalami mutasi.
Selanjutnya dilakukan iterasi sebanyak jumlah total gen [0-140] dan [0-12]
membangkitkan bilangan acak untuk tiap iterasi antara [0-1]. Diasumsikan gen
yang mendapatkan bilangan dibawah probabilitas mutasi adalah gen 2 (P1) dan 3
(P3) dari (SNMPTN). Informasi dalam gen yang akan dirubah adalah waktu dan
ruangan, maka hasil mutasi pada kromosom tersebut adalah:
Agar lebih mudah kita akan merubah variabel agar mudah membedakannya:
Sebelum Mutasi
a.
kromosom [P1] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [A20;B20;C20;D20;E20;F20;G20;H20;I20;J20]
b.
kromosom [P3] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [Q20;R20;S20;T20;U20;V20;W20;X20;Y20;Z20]
Universitas Sumatera Utara
Sesudah Mutasi
Kromosom [Pn] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [B20;D20;E20;H20;J20;Q20;S20;T20;U20;V20]
Hasil kromosom ( P2, P4, P5, P6…P14) memiliki nilai fitness terbaik karena tidak
terdapat pelanggaran yang telah ditetapkan dan merupakan solusi yang
diinginkan.
3.4. Diagram Proses Penentuan Jadwal Dinamis
Diagram bertujuan untuk menggambarkan prosespenentuan jadwal dinamis pada
sistem yang dibuat.
Mulai
Pengumpulan
Data
Pembuatan
Jadwal
Terlambat
Cek
Jadwal
Hadir
Proses
Pengambilan Berkas
Selesai
Universitas Sumatera Utara
Gambar 3.3Flowchart Proses Penentuan Jadwal Dinamis
Universitas Sumatera Utara
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Tahapan yang dilakukan setelah analisis dan perancangan sistem adalah
implementasi dan pengujian sistem. Tahapan ini diperlukan untuk mengetahui
apakah media teknologi informasi tersebut berhasil atau tidak. Berikut merupakan
hasil implementasi dan pengujian dari sistem yang sudah dibangun.
Data yang telah diproses dalam bahasa program dengan algoritma genetika akan
diimplementasikan. Implementasi adalah menerapkan tahap algoritma dan
perancangan ke dalam bentuk bahasa program. Hasil implementasi penjadwalan
registrasi ulang dengan algoritma genetik sebagai berikut.
4.1 Implementasi Sistem
Sesuai dengan hasil analisis dan perancangan sistem yang telah dibuat,
dilakukanlah implementasi perancangan menjadi aplikasi penjadwalan yang
ditujukan membantu dalam menentukan penjadwalan registrasiulang dengan
menggunakan Algoritma Genetika ke dalam bahasa pemrograman HTML, PHP,
CSS dan MySQL.
4.1.1 Spesifikasi Perangkat Keras dan Perangkat Lunak yang Digunakan
Sistem dibuat di dalam lingkungan perangakat keras yang memiliki spesifikasi
sebagai berikut:
1. Processor CORE i7-4700HQ CPU @ 2.40GHz.
2. Memory RAM yang digunakan 8 GB.
3. Kapasitas Hardisk 1 TB.
Universitas Sumatera Utara
Selain perangkat keras, sistem juga dibuat dalam lingkungan spesifikasi perangkat
lunak sebagai berikut:
1. System type Windows 10 Enterprise N 64-bit.
2. Sublime Text.
3. XAMPP.
4. Maxthon dan UC Browser
4.1.2 Tampilan-Tampilan Desain Aplikasi Penjadwalan
Tampilan halaman utama aplikasi merupakan tampilan desain Admin ketika
aplikasi dijalankan. Pada tampilan utama terdapat empat Menu dimana masing
masing menu berisi halaman halaman dalam proses terbentuknya penjadwalan
registrasi ulang universitas sumatera utara dengan metode algoritma genetika.
Adapun tampilannya dapat dilihat pada gambar
Gambar 4.1.Ketika program belum dijalankan
Pada gambar diatas tampak halaman utama pada penjadwalan registrasi
ulang unversitas sumatera utara dimana halaman didesain sebaik mungkin dengan
hasil yang tidak terlampau mencolok.
Pada halaman depan terdapat panel menu / dashboard yang berfungsi
sebagai halaman utama yang berisikan tentang informasi yang ada di sekitar
penjadwalan. Selanjutnya pada panel data mahasiswa merupakan halaman yang
Universitas Sumatera Utara
berisikan tentang semua data para calon mahasiswa yang lulus di universitas
sumatera utara. Untuk lebih jelas nya perhatikan gambar dibawah ini.
Gambar 4.2. Penginputan data para calon mahasiswa
Gambar diatas berisikan tentang nama, asal sekolah, nomor tes/pendaftaran dan
jalur masuk.
Sedangkan pada panel generate jadwal adalah halaman dimana admin
dapat menginput batas-batas yang menentukan penjadwalan registrasi universitas
sumatera utara. Berikut adalah tampilan panel generate jadwal.
Gambar 4.3. Menentukan batasan / Generate
Universitas Sumatera Utara
Gambar 4.4. Menentukan Batasan bagi jadwal yang Terlambat / Generate
Admin dapat mengubah generate / batas-batasannya sesuai dengan yang di
sediakan, misalnya jumlah ruangan 10, muatan ruangan 20, waktu proses 20
menit, jam mulai 09.00 dan jalur masuk. Jika di hari pelaksanaan registrasi tidak
diperbolehkan mengganti generatenya, itu dapat merubah jadwal yang sudah ada
dan begitu juga menentukan batasan jadwal yang terlambat.
Sedangkan pada panel cetak jadwal dimana admin mencetak semua jadwal
yang sudah dikeluarkan oleh sistem penjadwalan berdasarkan data yang sudah
diinput ke dalam sistem penjadwalan registrasi ulang. Perhatikan gambar berikut.
Gambar 4.5. Cetak jadwal
Universitas Sumatera Utara
Apabila admin ingin mencetak jadwal, admin dapat langsung mengklik tombol
panel cetak. Setelah dicetak maka akan diinformasi universitas sumatera utara
agar setiap calon mahasiswa dapat melihat jadwal mereka di mading dan bisa di
lihat langsung secara online.
Namun sebelum admin mencetak hasil dari jadwal. Admin dapat meninjau
ulang/meriview semua jadwal terlebih dahulu sebelum dicetak dan ditempelkan ke
dalam mading universitas sumatera utara. Untuk pratinjau dari jadwal registrasi
dapat dilihat pada gambar berikut ini.
Gambar 4.6. Pratinjau pada jadwal
Sedangkan pada panel cetak jadwal terlambat dimana admin telah
menggenerate khusus penentuan padabatasan jadwal yang terlambat kemudian
mencetak semua jadwal berdasarkan data-data yang sudah diseleki ke dalam
sistem penjadwalan registrasi ulang. Perhatikan gambar berikut.
Universitas Sumatera Utara
Gambar 4.7. Cetak jadwal Terlambat
Hasil pembuatan jadwal baru yang sudah di seleksi dan di generate.
Gambar 4.8. Pratinjau pada jadwal Terlambat
Universitas Sumatera Utara
Berikut adalah ada perubahan jadwal karena melanggar peraturan (terlambat).
Gambar 4.9. Pratinjau pada jadwal lama
Berikut adalah perubahan jadwal bagi yang terlambat yang dimana ada
perubahan waktu dan ruangan, sebelumnya ada di ruangan RR7 pada pukul 10.20
WIB lalu ada di ruangan RR2 pada pukul 09.00 WIB. Perhatikan gambar berikut.
Gambar 4.10. Pratinjau pada jadwal baru
Universitas Sumatera Utara
Kemudian pada panel selanjutnya adalah cek jadwal dan cek jadwal
terlambat dimana admin mengecek atau memeriksa jadwal yang sudah
dikeluarkan, bagi calon mahasiswa datang yang tepat waktu di persilahkan
mengantri seperti yang sudah di jadwalkan, jika bagi calon mahasiswa datang
yang tidak tepat waktu (terlambat) tidak di perbolehkan masuk dalam antrian yang
sudah di tetapkan, khusus bagi yang terlambat dapat melapor ke petugas / panitia
setempat dan melihat kembali jadwal yang baru. Perhatikan gambar berikut.
Gambar 4.11. Penginputan dan pengecekan nomor pendaftaran
Gambar 4.12. Informasi jadwal
Universitas Sumatera Utara
Gambar 4.13. Penginputan dan pengecekan nomor pendaftaran jadwal terlambat
Gambar 4.14. Informasi jadwal Terlambat
Pada tabel diatas tampak hasil dari penjadwalan dimana jadwalnya adalah
pada pukul 09.40 WIB di ruangan RR4. Pada hasil analisis diatas tampak jadwal
mahasiswa yang dijadikan sampel sebagai calon mahasiswa yang akan registrasi
ulang di universitas sumatera utara.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil pembahasan tentang sistem penjadwalan dinamis menggunakan metode
algoritma genetika maka diambil kesimpulan sebagai berikut:
1. Dengan adanya sistem penjadwalan ini, maka dapat membuat aplikasi
penjadwalan registrasi menjadi lebih mudah dipergunakan untuk membuat
program penjadwalan registrasi ulang dan bagi mahasiswa yang terlambat.
2. Sistem ini juga dapat mempermudah dalam memberi informasi kepada operator
pengawas penjadwalan registrasi ulang.
5.2 Saran
Untuk pengembangan lebih lanjut maka penulis memberikan saran yang sangat
bermanfaat dan dapat membantu proses penjadwalan registrasi ulang universitas
sumatera utara bagi peneliti selanjutnya, yaitu:
1. Perlunya pengembangan sistem agar setiap operator memiliki ID dan password
sehingga operator dapat memantau jadwal dalam tugasnya masing-masing.
2. Perlunya menambahkan kode barcode di setiap kartu jadwal mahasiswa,
sehingga operator tidak perlu menginput nomor registrasi mahasiswa untuk
memeriksa jadwal mahasiswa.
Universitas Sumatera Utara
ANALISIS DATA DAN PERANCANGAN
3.1 Analisis Data dan Sistem dengan Metode Algoritma Genetika
Dalam penelitian ini data yang diambil adalah data-data Mahasiswa Registrasi
Ulang Mahasiswa Baru Universitas Sumatera Utara 2015.
Metode yang digunakan adalah algoritma genetika karena dapat menyelesaikan
permasalahan penjadwalan registrasi ulang. Algoritma genetika merupakan metode
pencarian dimana dalam proses encoding (pengkodean) menghasilkan string yang
kemudian disebut kromosom yang terdiri dari sekumpulan bit-bit, pohon, array
bilangan real, daftar aturan, elemen permutasi, elemen program, atau representasi
lainnya. Bit-bit ini dikenal sebagai penyusun sebuah kromosom. Jadi satu kromosom
terdiri dari gen-gen. Gen dalam kasus ini adalah urutan tabel mahasiswa, jadwal
ruangan dan waktu telah dikodekan terlebih dahulu sehingga membentuk suatu
kromosom, berarti bahwa panjang kromosom akan sesuai dengan jumlah
penjadwalan. Sedangkan individu merupakan kumpulan kromosom, dalam kasus ini
satu individu memiliki satu kromosom. Sedangkan populasi, merupakan kumpulan
individu yang telah ditentukan jumlahnya oleh user.
3.2 Analisis Sistem
3.2.1 Perancangan Penelitian
Analisis suatu sistem bertujuan untuk mengidentifikasi permasalahan yang ada
pada sistem tersebut. Analisis ini sangat diperlukan sebagai dasar perancangan
sistem sebelum dibangun. Analisis sistem mencakup beberapa bagian yaitu
analisa data, deskripsi system penjadwan, perancangan desain dan implementasi
desain.
Universitas Sumatera Utara
Metode penelitian yang dilakukan adalah metode penelitian eksperimen,
dengantahapan penelitian seperti berikut:
1.
Identifikasi Masalah / Analisis Data
Tahap ini untuk mengumpulkan data yang diperlukan sebagai bahan masukan
(input) untuk membuat penjadwalan dengan algoritma genetika yaitu data
mahasiswa, jumlah ruangan, muatan ruangan, waktu proses permahasiswa,
jam mulai, jalur masukyang ada.
2.
Penentuan parameter – parameter / nilai variabel
3.
Perancangan system yang menerapkan parameter – parameter / nilai variabel
Untuk perancangan sistem penjadwalan registrasi ini terdiri dari tiga tahapan
yaitu:
a.
Perancangan Algoritma Genetika
Proses ini untuk mengolah data input adalah dengan algoritma genetika.
Output yang dihasilkan sesuai dengan apa yang diharapkan.
b.
Perancangan Desain
Tahap ini terdiri dari 3 bagian yaitu permodelan proses dan data
bertujuan untuk merancang diagram arus data (DAD), entity relationship
diagram (ERD) dan tabel database, serta perancangan user interface
bertujuan untuk merancang interface/tampilan input dan output sistem
pada layar dengan menggunakan prinsip-prinsip GUI (Graphical User
Interface) yang mudah dipahami oleh pengguna sistem.
c.
Perancangan Sistem Penjadwalan
Mengimplementasikan rancangan sistem ke dalam modul program
(coding program). Pada proses ini akan mengkonversikan perancangan
ke dalam kegiatan operasi coding dengan menggunakan bahasa
pemograman tertentu yang dilandasi pada penggunaan algoritma
genetika untuk proses penyusunan jadwal registrasi.
Universitas Sumatera Utara
4.
Eksperimen dan Pengujian Metode (Method Test and Experiment)
Menguji apakah aplikasi telah siap digunakan dan berfungsi dengan baik.
Proses pengujian dilakukan pada logika internal untuk memastikan semua
pernyataan sudah diuji. Pengujian eksternal fungsional untuk menemukan
kesalahan-kesalahan dan memastikan bahwa input akan memberikan hasil
yang aktual sesuai yang dibutuhkan. Pengujian pada penelitian ini mengambil
data penjadwalan registrasi ulang Universitas Sumatera Utara tahun 2015.
5.
Evaluasi dan Validasi Hasil (Result Evaluation and Validation).
3.2.2 Metode Pengumpulan Data
Dalam penelitian ini data yang dikumpulkan terbagi menjadi dua jenis, yaitu:
a.
Data Sekunder
Data sekunder adalah data yang diperoleh secara langsung bersumber dari
USU, dokumentasi, studi kasus, buku, jurnal dan informasi lainnnya yang ada
hubungannya dengan masalah yang diteliti. Data sekunder pada penelitian ini
adalah data penjadwalan yang selama ini dibuat oleh USU.
b.
Data Primer
Data primer adalah data yang diperoleh dari penelitian. Data primer dalam
penelitian ini adalah data ruangan, data mahasiswa, waktu proses, data shift,
dan aturan-aturan untuk penjadwalan.
3.2.3
Data Identitas Mahasiswa
Data jadwal Mahasiswa diambil dari Universitas Sumatera Utara yang dilakukan
sebagai objek penelitian sebagai bahan dasar sampel sistem. Data tersebut
kemudian dimasukkan ke dalam database berupa bahan dasar sebagai data
penjadwalan nantinya terhadap sistem. Semua data tersebut digunakan ketika
aplikasi
dijalankan.
Database
identitas
Mahasiswa
ditetapkan
sebagai
databaseMahasiswa dimana merupakan data setiap Mahasiswa baik itu jalur
Universitas Sumatera Utara
SNMPTN dan BIDIK MISI, yang berisi tentang identitas Mahasiswa dan jalur
lulus.
Parameter – parameter yang diperlukan dalam masalah algoritma genetika di
registrasi ulang yaitu:
1.
Jumlah Mahasiswa
2.
a. Jalur SNMPTN
: 2.611
b. Jalur BIDIK MISI
: 468 Mahasiswa
Jumlah Ruangan
3.
a. Jalur SNMPTN
: 10 ruangan
b. Jalur BIDIK MISI
: 2 ruangan
Kapasitas Ruangan
4.
a. Jalur SNMPTN
: 20 kursi
b. Jalur BIDIK MISI
: 20 kursi
Waktu Proses/mahasiswa
5.
a. Jalur SNMPTN
: 1 menit
b. Jalur BIDIK MISI
: 1.3 menit
Shift/hari
a. Shift Pagi (shift 1)
: 09.00-12.00
b. Shift Sore (shift 2)
: 13.00-16.00
Tabel 3.1 Data Mahasiswa Jalur SNMPTN
No
Nama
Asal Sekolah
1
2
3
Anne Tarmiya
Nasri
Fitri Sri Rahma
SMU Sutomo 1, Medan
SMU WR Supratman 2, Medan
MA Negeri, Lubuk Pakam
.
.
.
.
.
.
.
.
.
Dewa Batara Putra
Kesuma
SMU Negeri 1, Medan
2611
Nomor
Test/Ujian
4150120717
4150100928
4150126891
.
.
.
4150776596
Universitas Sumatera Utara
Tabel 3.2 Data Mahasiswa Jalur BIDIKMISI
No
Nama
Asal Sekolah
1
2
3
Theresia Magdalena
Rofikhatul Husna
Masna Arisah
SMU Negeri 17, Medan
MAN Tanjung Morawa
SMAN PlusMandailingNatal
.
.
.
.
.
.
.
.
.
Silvia Maura
Smu Negeri 1, Kutacane
468
Nomor
Test/Ujian
4150417606
4150190417
4150325375
.
.
.
4150080743
3.2.4 Data Penjadwalan Mahasiswa dan Menentukan Ruangan
Database penjadwalan dan ruangan Mahasiswa Universitas Sumatera Utara
ditetapkan sebagai database jadwal registrasi ulang mahasiswa dimana
merupakan data setiap mahasiswa baik itu jalur regular dan Bidikmisi, yang berisi
tentang jadwal kegiatan mahasiswa tersebut dalam menjalankan registrasi ulang
tersebut.
Tabel 3.3 Data Penjadwalan dan Ruangan registrasi ulang mahasiswa jalur
SNMPTN
No
1
Nama
Anne Tarmiya
Jadwal Jam
09.00-10.00 WIB
Ruangan
RR1
2
3
.
.
.
Nasri
Fitri Sri Rahma
.
.
.
10.00-11.00 WIB
14.00-15.00 WIB
.
.
.
RR3
RR6
.
.
.
SMU Negeri 1, Medan
RR10
2611 Dewa Batara Putra Kesuma
Universitas Sumatera Utara
Tabel 3.4 Data Penjadwalan dan Ruangan registrasi ulang mahasiswa jalur
BIDIKMISI
No
1
2
3
.
.
.
Nama
Theresia Magdalena
Rofikhatul Husna
Masna Arisah
.
.
.
468
Silvia Maura
Jadwal Jam
09.00-10.00 WIB
10.00-11.00 WIB
14.00-15.00 WIB
.
.
.
Ruangan
RB1
RB3
RB6
.
.
.
Smu Negeri 1, Kutacane
RR10
3.3 Proses Penjadwalan dengan Algoritma Genetika
3.3.1 Rancangan Sistem
Proses rancangan sistem algoritma genetika pada penjadwalan registrasi terdiri
dari proses data input, Pembentukan Kromosom dari Populasi, Evaluasi Fitness,
Seleksi Proses, Perkawinan Silang (Crossover), Proses Mutasi dan Kondisi
selesai. Rancangansistem dapat dijelaskan melalui flowchart. Flowchart adalah
bagan-bagan yang menggambarkan langkah-langkah suatu masalah. Dibawah ini
adalah
Universitas Sumatera Utara
flowchart algoritma genetika untuk menetukan permasalahan penjadwalan
registrasi.
Mulai
Jumlah Mahasiswa,
Jumlah Ruangan,
Muatan Ruangan, Waktu
Proses Input Data
Pembuatan Kromosom
dan Populasi
Evaluasi Nilai Fitness
Ya
Cek
Fitness = 1
Selesai
Tid
ak
Seleksi
Crossover
Mutasi
Gambar 3.1 Flowchart Penjadwalan dengan Metode AG
Universitas Sumatera Utara
3.3.2 Menentukan Representasi Kromosom
Penentuan populasi awal adalah proses membangkitkan sejumlah kromosom
secara acak (random). Kromosom menyatakan salah satu alternatif solusi yang
dimungkinkan. Kromosom dapat dikatakan sama dengan individu. Ukuran
populasi tergantung pada masalah yang akan diselesaikan. Setelah ukuran
populasi ditentukan, langkah selanjutnya adalah membangkitkan populasi awal
dengan cara melakukan inisialisasi solusi yang dimungkinkan kedalam sejumlah
kromosom. Panjang satu kromosom ditentukan berdasarkan permasalahan yang
diteliti.
Karena kita sudah mendapatkan data-datanya. Kita dapat menentukan
variable-variabel yang dibutuhkan, variablenya adalah jumlah_mahasiswa,
jumlah_ruangan, waktu_proses, kapasitas_ruangan. Maka
variabel-variabel
tersebut dijadikan sebagai gen-gen pembentuk kromosom. Batasan nilai variabel
jumlah_mahasiswa = 2.611 orang untuk Jalur SNMPTN dan 468 orang untuk
jalur BIDIK MISI, jumlah_ruangan = 10 ruangan, waktu_proses = 1 menit untuk
jalur SNMPTN dan 1.3 menit untuk jalur BIDIK MISI, kapasitas_ruangan 20
orang untuk SNMPTN dan BIDIK MISI.
3.3.3 Inisialisasi dan Pembuatan Populasi Awal
Sebelum kita menentukan proses insialisasi kita tentukan variable baru untuk
jumlah_ruangan, Karena jumlah_ruangan = 10 maka kita tentukan variabelnya
misalkan
Rn
Karena kita
memiliki 10
ruangan
maka kita tentukan
R1,R2,R3…R10, Proses inisialisasi dilakukan dengan cara memberikan nilai awal
gen-gen dengan nilai acak sesuai batasan yang telah ditentukan.
Universitas Sumatera Utara
Untuk ilustrasi lebih jelasnya dapat dilihat pada Gambar berikut.
Jumlah Gen
Po
pul
asi
Kromosom [Pn] = R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
Gen
Gambar 3.2 Ilustrasi Dekode Kromosom
Jika jalur SNMPTN
a.
Jumlah Mahasiswa
: 2.611 mahasiswa
b.
waktu proses
: 1 menit
c.
Jumlah Ruangan
: 10 ruangan
d.
kapasitas ruangan
: 20 mahasiswa
Kita misalkan P = proses, Setiap P = 200 mahasiswa, karena dalam satu proses
ada 10 ruangan berjalan secara bersamaan, setiap dalam ruangan bermuatan 20
mahasiswa.
Maka P = Jumlah Ruangan x Muatan Ruangan
(3)
= 10 x 20
= 200
Jadi, untuk P ada: P1 + P2 + P3 + P4 + P5 + P6 + P7 + P8 + P9 + P10 + P11 +
P12 + P13 + P14 = 2.611 mahasiswa.
Jadi kita dapat menententukan jumlah populasi adalah 14 kromosom, maka:
kromosom [P1]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P2]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P3]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P4]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
Universitas Sumatera Utara
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P5]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P6]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P7]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P8]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P9]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom[P10]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom[P11]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom[P12]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P13]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom[P14]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [11;00;00;00;00;00;00;00;00;00]
Jika jalur BIDIK MISI
a.
Jumlah Mahasiswa
: 468mahasiswa
b.
waktu proses
: 1.3 menit
c.
Jumlah Ruangan
: 2 ruangan
d.
kapasitas ruangan
: 20 mahasiswa
Kita misalkan P = proses, Setiap P = 40 mahasiswa, karena dalam satu proses ada
2 ruangan berjalan secara bersamaan, setiap dalam ruangan bermuatan 20
mahasiswa dengan menggunakan rumus (3) didapat.
Universitas Sumatera Utara
Maka P = Jumlah Ruangan x Muatan Ruangan
= 2 x 20
= 40
Jadi, untuk P ada: P1 + P2 + P3 + P4 + P5 + P6 + P7 + P8 + P9 + P10 + P11 +
P12 = 468 mahasiswa.
Jadi kita dapat menententukan jumlah populasi adalah 12 kromosom, maka:
kromosom [P1]
= [R1;R2] = [20;20]
kromosom [P2]
= [R1;R2] = [20;20]
kromosom [P3]
= [R1;R2]= [20;20]
kromosom [P4]
= [R1;R2] = [20;20]
kromosom [P5]
= [R1;R2] = [20;20]
kromosom [P6]
= [R1;R2] = [20;20]
kromosom [P7]
= [R1;R2] = [20;20]
kromosom [P8]
= [R1;R2] = [20;20]
kromosom [P9]
= [R1;R2] = [20;20]
kromosom[P10]
= [R1;R2] = [20;20]
kromosom[P11]
= [R1;R2] = [20;20]
kromosom[P12]
= [R1;R2] = [20;08]
Untuk menentukan populasi awal dilakukan dengan mengacak secara random
nomor antrian dari tabel-tabel yang telah di tentukan yakni tabel kode gen
mahasiswa dalam satu shift dan tabel slot waktu. Jumlah kromosom yang akan di
inisialisasi dalam populasi awal ini adalah sebanyak 14 kromosom untuk jalur
SNMPTN dan 12 kromosom untuk jalur BIDIK MISI.
Universitas Sumatera Utara
Tabel 3.5 Kode Gen Proses
SNMPTN
BIDIK MISI
No_Antrian_Gen
Proses
No_Antrian_Gen
Proses
1-200
P1
1-40
P1
201-400
P2
41-80
P2
401- 600
P3
81-120
P3
601- 800
P4
121-160
P4
801- 1000
P5
161-200
P5
1001- 1200
P6
201-240
P6
1200- 1400
P7
241-280
P7
1401-1600
P8
281-320
P8
1601-1800
P9
321-360
P9
1801-2000
P10
361-400
P10
2000-2200
P11
401-440
P11
2201-2400
P12
441-468
P12
2401-2600
P13
-
-
2601-2611
P14
-
-
Tabel 3.6 Slot Waktu SNMPTN
No_Antrian_Proses
P1
Jam Mulai
09.01
Jam Selesai
09.20
P2
09.21
09.40
P3
09.41
10.00
P4
10.01
10.20
P5
10.21
10.40
P6
10.41
11.00
P7
11.01
11.20
P8
11.21
11.40
P9
11.41
12.00
P10
13.01
13.20
P11
13.21
13.40
P12
13.41
14.00
P13
14.01
14.20
P14
14.21
14.40
Universitas Sumatera Utara
Tabel 3.7 Slot Waktu BIDIK MISI
No_Antrian_Proses
Jam Mulai
Jam Selesai
P1
09.01
09.26
P2
09.27
09.53
P3
09.54
10.20
P4
10.21
10.47
P5
10.48
11.14
P6
11.15
11.41
P7
13.01
11.26
P8
13.27
11.53
P9
13.54
12.20
P10
14.21
13.47
P11
14.48
13.14
P12
14.15
14.41
3.3.4 Evaluasi Nilai 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.
Fungsi yang digunakan untuk mengukur nilai kecocokan atau derajat
optimalitas suatu kromosom disebut dengan fitness function (Sam’ani, 2012).
Nilai yang dihasilkan dari fungsi tersebut menandakan seberapa optimal solusi
yang diperoleh. Nilai yang dihasilkan oleh fungsi fitness merepresentasikan
seberapa banyak jumlah persyaratan yang dilanggar, sehingga dalam kasus
penjadwalan semakin kecil jumlah pelanggaran yang dihasilkan maka solusi yang
dihasilkan akan semakin baik. Untuk setiap pelanggaran yang terjadi akan
diberikan nilai 1. Agar tidak terjadi nilai fitness yang tak terhingga maka jumlah
total semua pelanggaran akan ditambahkan 1.
Rumus fitness yang digunakan, (Sam’ani, 2012) adalah sebagai berikut:
������� =
1
1+ ��
(4)
Universitas Sumatera Utara
Keterangan:
MT = Banyaknya Mahasiswa Melakukan Pelanggaran / Mahasiswa
Terlambat
Terdapat batasan yang tidak boleh dilanggardalam penjadwalan adalah bagi yang
terlambat jadwalnya akan di undur agar tidak mengganggu jadwal yang lain.
Dari data yang ada akan menghasilkan nilai fitness sebagai berikut:
Fitness Kromosom A =
Fitness Kromosom B =
1
1+( 0 )
1
1+( 1 )
=1
= 0,5
Penetapan nilai fitness kromosom hanya digunakan untuk menghitung fitness
jadwal ruangan dan mahasiswa. Adapun cara penetapan nilai fitness kromosom
adalah sebagai berikut:
a.
Untuk setiap tidak terjadi keterlambatan akan diberikan nilai 0
b.
Untuk setiap terjadi keterlambatan akan diberikan nilai 1
3.3.5 Seleksi
Proses seleksi bertujuan untuk memilih individu-individu yang akan dipilih untuk
proses persilangan dan mutasi, sehingga akan diperoleh calon induk yang baik.
Induk yang baik akan menghasilkan keturunan yang baik. Langkah pertama dalam
seleksi yaitu pencarian nilai fitness. Masing-masing individu dalam suatu wadah
seleksi akan menerima probabilitas reproduksi yang tergantung pada nilai objektif
dirinya sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi
tersebut.
Pembentukan susunan kromosom pada suatu populasi baru dilakukan
dengan menggunakan metode seleksi roulette-wheel. Sesuai dengan namanya,
metode ini menirukan permainan roulette-wheel dimana masing-masing
kromosom
menempati
potongan
lingkaran
pada
roulette-wheel
secara
proporsional sesuai dengan nilai fitnessnya. Kromosom yang memiliki nilai fitness
Universitas Sumatera Utara
lebih besar menempati potongan lingkaran yang lebih besar dibandingkan dengan
kromosom bernilai fitness rendah.
Langkah pertama metode ini adalah dengan menghitung total nilai fitness
seluruh kromosom seperti tabel:
Tabel 3.8 Nilai Fitness
Kromosom
A
B
Total Nilai Fitness
Nilai Fitness
1
0.5
1.5
Langkah kedua adalah menghitung probabilitas setiap kromosom dengan
cara membagi nilai fitness tiap kromosom dengan total nilai fitness.
Rumus untuk mencari probabilitas: P[i] = fitness[i] / total_fitness
(5)
Sehingga didapatkan hasil seperti table:
Tabel 3.9 Probabilitas tiap kromosom
Kromosom
A
B
Total Probabilitas
Probabilitas
1 / 1.5 = 0.66
0.5 / 1.5 = 0.33
1
Langkah ketiga adalah menempatkan masing-masing kromosom pada
interval nilai [0 – 1]. Dapat dilihat pada table:
Tabel 3.10 Interval tiap kromosom
Kromosom
A
B
Interval Nilai
0 - 0.66
0.67- 1
3.3.6 Crossover
Pindah silang (CrossOver) digunakan sebagai metode pemotongan kromosom
secara acak (random) dan merupakan penggabungan bagian pertama dari
kromosom induk 1 dengan bagian kedua dari kromoson induk 2.
Universitas Sumatera Utara
Pindah silang bisa dilakukan hanya jika suatu bilangan acak (random)
yang dibangkitkan untuk kromosom kurang dari probabilitas pindah silang (Pc)
yang ditentukan. Menurut (Suyanto, 2005) Pc umumnya diset mendekati 1,
misalnya 0,5.
Metode pindah silang yang paling umum digunakan adalah pindah silang
satu titik potong (one-point crossover). Suatu titik potong dipilih secara acak
(random), kemudian bagian pertama dari kromosom induk 1 digabungkan dengan
bagian kedua dari kromosom induk 2. Bilangan acak (random) yang dibangkitkan
untuk menentukan posisi titik potong adalah [1-N] dimana N merupakan
banyaknya jumlah gen dalam satu kromosom.
Dimisalkan dari contoh yang ada nilai untuk kromosom P1 dan P3 kurang
dari Pc yang ditetapkan serta bilangan acak (random) untuk posisi perpindahan
adalah pada posisi P1 gen ke 4 dan 7, P3 gen ke 1 dan 10. maka proses pindah
silangnya adalah:
kromosom [P1]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
kromosom [P3]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [20;20;20;20;20;20;20;20;20;20]
Agar lebih mudah kita akan menambahkan variabel agar mudah
membedakannya:
kromosom [P1]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [A20;B20;C20;D20;E20;F20;G20;H20;I20;J20]
kromosom [P3]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [Q20;R20;S20;T20;U20;V20;W20;X20;Y20;Z20]
Hasil pindah silang kedua kromosom tersebut adalah:
kromosom [P1]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [A20;B20;C20;Q20;E20;F20;Z20;H20;I20;J20]
kromosom [P3]
= [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
=[D20;R20;S20;T20;U20;V20;W20;X20;Y20;G20]
Universitas Sumatera Utara
3.3.7 Mutasi
Proses mutasi adalah suatu proses kemungkinan memodifikasi informasi gen-gen
pada suatu kromosom Perubahan ini dapat membuat solusi duplikasi menjadi
memiliki nilai fitness yang lebih rendah maupun lebih tinggi daripada solusi
induknya. Jika ternyata diperoleh solusi yang memiliki fitness yang lebih tinggi
maka hal itulah yang diharapkan. Tetapi jika diperoleh solusi dengan nilai fitness
yang lebih rendah maka bisa jadi pada iterasi berikutnya diperoleh solusi hasil
mutasi yang lebih baik nilai fitnessnya daripada solusi induknya. Untuk semua
gen yang ada, jika bilangan acak (random) yang dibangkitkan kurang dari
probabilitas mutasi (Pmut) yang telah ditentukan maka beberapa informasi gen
akan dirubah dengan menggunakan metode pengkodean nilai. Pada umumnya
diset antara [0 – 1], misalnya 0,1 (Suyanto, 2005).
Untuk memilih posisi gen yang mengalami mutasi dilakukan dengan cara
membangkitkan bilangan integer acak antara 1 sampai total_gen, yaitu untuk jalur
SNMPTN 1 sampai 140 dan untuk jalur BIDIKMISI 1 sampai 24. Probabilitas
mutasi ditetapkan 0,1 maka diharapkan mutasi yang terjadi adalah: 0,1 x 140 = 14
(SNMPTN) dan 0,1 x 12 = 1,2 (BIDIKMISI), 2 gen yang akan mengalami mutasi.
Selanjutnya dilakukan iterasi sebanyak jumlah total gen [0-140] dan [0-12]
membangkitkan bilangan acak untuk tiap iterasi antara [0-1]. Diasumsikan gen
yang mendapatkan bilangan dibawah probabilitas mutasi adalah gen 2 (P1) dan 3
(P3) dari (SNMPTN). Informasi dalam gen yang akan dirubah adalah waktu dan
ruangan, maka hasil mutasi pada kromosom tersebut adalah:
Agar lebih mudah kita akan merubah variabel agar mudah membedakannya:
Sebelum Mutasi
a.
kromosom [P1] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [A20;B20;C20;D20;E20;F20;G20;H20;I20;J20]
b.
kromosom [P3] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [Q20;R20;S20;T20;U20;V20;W20;X20;Y20;Z20]
Universitas Sumatera Utara
Sesudah Mutasi
Kromosom [Pn] = [R1;R2;R3;R4;R5;R6;R7;R8;R9;R10]
= [B20;D20;E20;H20;J20;Q20;S20;T20;U20;V20]
Hasil kromosom ( P2, P4, P5, P6…P14) memiliki nilai fitness terbaik karena tidak
terdapat pelanggaran yang telah ditetapkan dan merupakan solusi yang
diinginkan.
3.4. Diagram Proses Penentuan Jadwal Dinamis
Diagram bertujuan untuk menggambarkan prosespenentuan jadwal dinamis pada
sistem yang dibuat.
Mulai
Pengumpulan
Data
Pembuatan
Jadwal
Terlambat
Cek
Jadwal
Hadir
Proses
Pengambilan Berkas
Selesai
Universitas Sumatera Utara
Gambar 3.3Flowchart Proses Penentuan Jadwal Dinamis
Universitas Sumatera Utara
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Tahapan yang dilakukan setelah analisis dan perancangan sistem adalah
implementasi dan pengujian sistem. Tahapan ini diperlukan untuk mengetahui
apakah media teknologi informasi tersebut berhasil atau tidak. Berikut merupakan
hasil implementasi dan pengujian dari sistem yang sudah dibangun.
Data yang telah diproses dalam bahasa program dengan algoritma genetika akan
diimplementasikan. Implementasi adalah menerapkan tahap algoritma dan
perancangan ke dalam bentuk bahasa program. Hasil implementasi penjadwalan
registrasi ulang dengan algoritma genetik sebagai berikut.
4.1 Implementasi Sistem
Sesuai dengan hasil analisis dan perancangan sistem yang telah dibuat,
dilakukanlah implementasi perancangan menjadi aplikasi penjadwalan yang
ditujukan membantu dalam menentukan penjadwalan registrasiulang dengan
menggunakan Algoritma Genetika ke dalam bahasa pemrograman HTML, PHP,
CSS dan MySQL.
4.1.1 Spesifikasi Perangkat Keras dan Perangkat Lunak yang Digunakan
Sistem dibuat di dalam lingkungan perangakat keras yang memiliki spesifikasi
sebagai berikut:
1. Processor CORE i7-4700HQ CPU @ 2.40GHz.
2. Memory RAM yang digunakan 8 GB.
3. Kapasitas Hardisk 1 TB.
Universitas Sumatera Utara
Selain perangkat keras, sistem juga dibuat dalam lingkungan spesifikasi perangkat
lunak sebagai berikut:
1. System type Windows 10 Enterprise N 64-bit.
2. Sublime Text.
3. XAMPP.
4. Maxthon dan UC Browser
4.1.2 Tampilan-Tampilan Desain Aplikasi Penjadwalan
Tampilan halaman utama aplikasi merupakan tampilan desain Admin ketika
aplikasi dijalankan. Pada tampilan utama terdapat empat Menu dimana masing
masing menu berisi halaman halaman dalam proses terbentuknya penjadwalan
registrasi ulang universitas sumatera utara dengan metode algoritma genetika.
Adapun tampilannya dapat dilihat pada gambar
Gambar 4.1.Ketika program belum dijalankan
Pada gambar diatas tampak halaman utama pada penjadwalan registrasi
ulang unversitas sumatera utara dimana halaman didesain sebaik mungkin dengan
hasil yang tidak terlampau mencolok.
Pada halaman depan terdapat panel menu / dashboard yang berfungsi
sebagai halaman utama yang berisikan tentang informasi yang ada di sekitar
penjadwalan. Selanjutnya pada panel data mahasiswa merupakan halaman yang
Universitas Sumatera Utara
berisikan tentang semua data para calon mahasiswa yang lulus di universitas
sumatera utara. Untuk lebih jelas nya perhatikan gambar dibawah ini.
Gambar 4.2. Penginputan data para calon mahasiswa
Gambar diatas berisikan tentang nama, asal sekolah, nomor tes/pendaftaran dan
jalur masuk.
Sedangkan pada panel generate jadwal adalah halaman dimana admin
dapat menginput batas-batas yang menentukan penjadwalan registrasi universitas
sumatera utara. Berikut adalah tampilan panel generate jadwal.
Gambar 4.3. Menentukan batasan / Generate
Universitas Sumatera Utara
Gambar 4.4. Menentukan Batasan bagi jadwal yang Terlambat / Generate
Admin dapat mengubah generate / batas-batasannya sesuai dengan yang di
sediakan, misalnya jumlah ruangan 10, muatan ruangan 20, waktu proses 20
menit, jam mulai 09.00 dan jalur masuk. Jika di hari pelaksanaan registrasi tidak
diperbolehkan mengganti generatenya, itu dapat merubah jadwal yang sudah ada
dan begitu juga menentukan batasan jadwal yang terlambat.
Sedangkan pada panel cetak jadwal dimana admin mencetak semua jadwal
yang sudah dikeluarkan oleh sistem penjadwalan berdasarkan data yang sudah
diinput ke dalam sistem penjadwalan registrasi ulang. Perhatikan gambar berikut.
Gambar 4.5. Cetak jadwal
Universitas Sumatera Utara
Apabila admin ingin mencetak jadwal, admin dapat langsung mengklik tombol
panel cetak. Setelah dicetak maka akan diinformasi universitas sumatera utara
agar setiap calon mahasiswa dapat melihat jadwal mereka di mading dan bisa di
lihat langsung secara online.
Namun sebelum admin mencetak hasil dari jadwal. Admin dapat meninjau
ulang/meriview semua jadwal terlebih dahulu sebelum dicetak dan ditempelkan ke
dalam mading universitas sumatera utara. Untuk pratinjau dari jadwal registrasi
dapat dilihat pada gambar berikut ini.
Gambar 4.6. Pratinjau pada jadwal
Sedangkan pada panel cetak jadwal terlambat dimana admin telah
menggenerate khusus penentuan padabatasan jadwal yang terlambat kemudian
mencetak semua jadwal berdasarkan data-data yang sudah diseleki ke dalam
sistem penjadwalan registrasi ulang. Perhatikan gambar berikut.
Universitas Sumatera Utara
Gambar 4.7. Cetak jadwal Terlambat
Hasil pembuatan jadwal baru yang sudah di seleksi dan di generate.
Gambar 4.8. Pratinjau pada jadwal Terlambat
Universitas Sumatera Utara
Berikut adalah ada perubahan jadwal karena melanggar peraturan (terlambat).
Gambar 4.9. Pratinjau pada jadwal lama
Berikut adalah perubahan jadwal bagi yang terlambat yang dimana ada
perubahan waktu dan ruangan, sebelumnya ada di ruangan RR7 pada pukul 10.20
WIB lalu ada di ruangan RR2 pada pukul 09.00 WIB. Perhatikan gambar berikut.
Gambar 4.10. Pratinjau pada jadwal baru
Universitas Sumatera Utara
Kemudian pada panel selanjutnya adalah cek jadwal dan cek jadwal
terlambat dimana admin mengecek atau memeriksa jadwal yang sudah
dikeluarkan, bagi calon mahasiswa datang yang tepat waktu di persilahkan
mengantri seperti yang sudah di jadwalkan, jika bagi calon mahasiswa datang
yang tidak tepat waktu (terlambat) tidak di perbolehkan masuk dalam antrian yang
sudah di tetapkan, khusus bagi yang terlambat dapat melapor ke petugas / panitia
setempat dan melihat kembali jadwal yang baru. Perhatikan gambar berikut.
Gambar 4.11. Penginputan dan pengecekan nomor pendaftaran
Gambar 4.12. Informasi jadwal
Universitas Sumatera Utara
Gambar 4.13. Penginputan dan pengecekan nomor pendaftaran jadwal terlambat
Gambar 4.14. Informasi jadwal Terlambat
Pada tabel diatas tampak hasil dari penjadwalan dimana jadwalnya adalah
pada pukul 09.40 WIB di ruangan RR4. Pada hasil analisis diatas tampak jadwal
mahasiswa yang dijadikan sampel sebagai calon mahasiswa yang akan registrasi
ulang di universitas sumatera utara.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil pembahasan tentang sistem penjadwalan dinamis menggunakan metode
algoritma genetika maka diambil kesimpulan sebagai berikut:
1. Dengan adanya sistem penjadwalan ini, maka dapat membuat aplikasi
penjadwalan registrasi menjadi lebih mudah dipergunakan untuk membuat
program penjadwalan registrasi ulang dan bagi mahasiswa yang terlambat.
2. Sistem ini juga dapat mempermudah dalam memberi informasi kepada operator
pengawas penjadwalan registrasi ulang.
5.2 Saran
Untuk pengembangan lebih lanjut maka penulis memberikan saran yang sangat
bermanfaat dan dapat membantu proses penjadwalan registrasi ulang universitas
sumatera utara bagi peneliti selanjutnya, yaitu:
1. Perlunya pengembangan sistem agar setiap operator memiliki ID dan password
sehingga operator dapat memantau jadwal dalam tugasnya masing-masing.
2. Perlunya menambahkan kode barcode di setiap kartu jadwal mahasiswa,
sehingga operator tidak perlu menginput nomor registrasi mahasiswa untuk
memeriksa jadwal mahasiswa.
Universitas Sumatera Utara