4. Pekerjaan penjadwalan mata kuliah ini akan semakin berat jika melibatkan semakin banyak kelas per-angkatannya.
Di samping aspek-aspek di atas, dalam penyusunan sistem simulasi jadwal kuliah ini pun terdapat sangat banyak kemungkinan yang selayaknya
dicoba untuk menemukan penjadwalan yang terbaik. Karena itu dibutuhkan metode optimasi dengan menggunakan algoritma genetik yang dapat diterapkan
untuk mengerjakan sistem simulasi penjadwalan kuliah ini.
1.2 Perumusan Masalah
Permasalahan yang terdapat dalam penelitian ini adalah sebagai berikut: 1. Bagaimana membangun sistem simulasi penjadwalan kuliah yang dapat
meminimalkan bentrokan sehingga diperoleh suatu sistem simulasi penjawalan kuliah.
2. Bagaimana kinerja algoritma genetik dalam penjadwalan kuliah sehingga diperoleh suatu sistem simulasi penjadwalan kuliah yang baik dan
optimal.
1.3 Pembatasan Masalah
Agar pembahasan penelitian ini lebih terarah maka diberikan batasan-batasan masalah yang akan dibahas. Yang menjadi batasan masalah pada penelitian ini
adalah : 1. Semua parameter dan restriction yang telah ditentukan dapat di input.
2. Pemecahan permasalahan dengan metode algoritma genetik. 3. Perancangan aplikasi panjadwalan berbasis desktop.
4. Berbasis Client Server dan tetap memperhatikan sistem keamanan database.
Universitas Sumatera Utara
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah penerapan algoritma genetik untuk menghasilkan sistem simulasi penjadwalan kuliah. Jadwal yang dihasilkan dapat
meminimalkan bentrokan seminimal mungkin, sehingga dapat lebih memudahkan penggunanya dalam mendapatkan solusi untuk penanganan
penjadwalan kuliah.
1.5 Tinjauan Pustaka
Sebagai pendukung teori dalam penulisan studi ini, penulis menggunakan beberapa buku dan jurnal, antara lain :
Michael Negnevitsky 2005. Secara umum, proses dari algoritma genetik ini berisi step-step procedural sekuensial yang memproses sebuah
populasi kromosom buatan artificial menjadi populasi baru lainnya. Algoritma ini menggunakan proses seleksi natural dan teknik-teknik yang terinspirasi dari
teori genetik, yaitu: crossover dan mutasi. William B. Langdon 2000. Kekuatan algoritma genetik dalam
menemukan solusi optimal telah direkomendasikan dalam berbagai bidang aplikasi seperti finansial, pengolahan citra, pengontrol pipa gas dan penjadwalan
produksi. Dan belakangan ini pemanfaatan algoritma genetik semakin meluas di banyak program aplikasi lain seperti game programming dan text mining.
Rimcharoen 2006. Algoritma genetik menggambarkan populasi seperti sebuah probabilitas distribusi dari kumpulan solusi, oleh karena itu tidak semua
populasi perlu untuk disimpan. Dalam setiap generasi, algoritma genetik menghasilkan individu-individu berdasarkan pada probabilitas yang
dispesifikasikan dalam probability vector. Individu-individu tersebut akan dievaluasikan dan probability vector akan berubah berdasarkan individu yang
terbaik. Algoritma genetik mempunyai keuntungan dalam menggunakan
Universitas Sumatera Utara
memori yang sedikit dan mencapai kualitas yang sebanding dan mempunyai hasil dengan jumlah yang hampir sama dengan yang dihasilkan oleh Basic
Genetik Algorithm.
1.6 Manfaat Penelitian
