Analisa Optimasi Query Database Dalam Pembelajaran Berbasis Web Di SMK Negeri 1 Barumun Dengan Metode M2s Crossover Dan Chunk Crossover Chapter III VI
BAB III
METODOLOGI PENELITIAN
Ukuran unjuk kerja dalam hal ini kecepatan akses data dalam sebuah aplikasi web
dipengaruhi oleh banyak faktor. Salah satu faktornya adalah desain aplikasi.
Untuk kinerja Desain aplikasi dalam layout saja tidak cukup untuk pengoptimalan
kinerja web. Meskipun layout dibuat sederhana dengan sedikit menggunakan
aplikasi multimedia seperti flash dalam desain aplikasinya namun tetap saja belum
bisa menjamin kinerja aplikasi web akan cepat. Optimasi dalam desain aplikasi
Kalau tidak didukung dengan kecepatan akses yang memadai maka akan semakin
menurun unjuk kerjanya.
Faktor lainnya adalah optimasi basis data. Data yang tersimpan dalam
database semakin lama akan semakin besar ukuran atau volumenya. Untuk
meningkatkan unjuk kerja harus didukung dengan optimasi dari perintah SQL
yang digunakan pada aplikasi tersebut. Dalam mendesain database, seringkali
lokasi fisik data tidak menjadi perhatian penting karena hanya desain logik saja
yang diperhatikan. Padahal untuk menampilkan hasil query dibutuhkan pencarian
yang melibatkan struktur fisik penyimpanan data. Inti dari optimasi query adalah
meminimalkan “jalur” pencarian untuk menemukan data yang disimpan dalam
lokasi fisik.
Index pada database digunakan untuk meningkatkan kecepatan akses data.
Pada saat query dijalankan, index mencari data dan menentukan nilai ROWID
yang membantu menemukan lokasi data secara fisik di disk. Akan tetapi
28
Universitas Sumatera Utara
29
penggunaan index yang tidak tepat, tidak akan meningkatkan unjuk kerja dalam
hal ini kecepatan akses data.
3.1
Bahan-Bahan
Dalam
penelitian
ini
penulis
menganalisis
web
E-learning
dengan
menggabungkan metode M2S crossover dan metode CHUNK crossover sehingga
dihasilkan sebuah penggabungan dari kedua metode M2S crossover dan CHUNK
crossover tersebut dalam optimasi data.
Adapun bahan-bahan yang digunakan dalam penelitian ini berupa Data
yang terdiri dari tabel guru, tabel siswa, tabel matapelajaran, tabel porsi (tabel staf
pengajar dalam melakukan proses pembelajaran), tabel waktu, tabel jadwal Elearning.
3.2
Analisis Optimasi
Menganalisa optimasi query database dalam web pembelajaran SMK N 1
Barumun dan untuk menganalisa perbandingan antara optimasi dengan metode
M2S Crossover dan optimasi dengan metode CHUNK Crossover dengan tahapantahapan:
1. Representasi Kromosom
Elemen utama dalam pengoperasian algoritma genetik adalah kromosom. Pada
optimasi query database ini diberikan sejumlah join dan relasi. Dari setiap
tabel yang ada, untuk membuat query, field-fieldnya dapat direlasikan ke tabel
Universitas Sumatera Utara
30
mana saja. Dengan kata lain, setiap tabel dapat dijoinkan dengan tabel-tabel
lainnya.
Contoh:
Dicari nilai a, b, c, d maka variabel a, b, c, d dijadikan sebagai gen-gen
pembentuk chromosome. Batasan nilai variabel a adalah bilangan integer 0
sampai 30. Sedangkan batasan nilai variabel b, c, dan d adalah bilangan
integer 0 sampai 10.
2. Menentukan populasi awal
Setelah ukuran populasi ditentukan, kemudian dilakukan inisialisasi terhadap
kromosom yang terdapat pada populasi tersebut dengan populasi awal dipilih
secara acak.
Contoh:
Misalkan ditentukan jumlah populasi adalah 6, maka:
Chromosome[1] = [a;b;c;d] = [12;05;03;08]
Chromosome[2] = [a;b;c;d] = [02;01;08;03]
Chromosome[3] = [a;b;c;d] = [10;04;03;04]
Chromosome[4] = [a;b;c;d] = [20;01;10;06]
Chromosome[5] = [a;b;c;d] = [01;04;03;09]
Chromosome[6] = [a;b;c;d] = [20;05;07;01]
3. Seleksi
Metode seleksi yang digunakan pada algoritma ini adalah metode Roulette
Wheel (piringan rolet). Seleksi ini bertujuan untuk memberikan kesempatan
Universitas Sumatera Utara
31
seleksi yang lebih besar bagi anggota populasi yang memiliki fitness tinggi
untuk melakukan seleksi.
Permasalahan yang ingin diselesaikan adalah nilai variabel a, b, c, dan d yang
memenuhi persamaan a+2b+3c+4d = 30, maka fungsi_objektif yang dapat
digunakan untuk mendapatkan solusi adalah:
fungsi_objektif(chromosome) = | (a+2b+3c+4d) – 30 |
Hitung fungsi_objektif dari chromosome yang telah dibangkitkan:
fungsi_objektif(chromosome[1]) = Abs(( 12 + 2*5 + 3*3 + 4*8 ) – 30)
= Abs((12 + 10 + 9 + 32 ) – 30)
= Abs(63 – 30)
= 33
fungsi_objektif(chromosome[2]) = Abs(( 2 + 2*1 + 3*8 + 4*3 ) – 30)
= Abs(( 2 + 2 + 24 + 12 ) – 30)
= Abs(40 – 30)
= 10
fungsi_objektif(chromosome[3]) = Abs(( 10 + 2*4 + 3*3 + 4*4 ) -30)
= Abs(( 10 + 8 + 9 + 16 ) – 30)
= Abs(43 – 30)
= 13
fungsi_objektif(chromosome[4]) = Abs(( 20 + 2*1 + 3*10 + 4*6 ) – 30)
= Abs(( 20 + 2 + 30 + 24 ) – 30)
= Abs(76 – 30)
= 46
Universitas Sumatera Utara
32
fungsi_objektif(chromosome[5]) = Abs(( 1 + 2*4 + 3*3 + 4*9 ) – 30)
= Abs(( 1 + 8 + 9 + 36 ) – 30)
= Abs(54 – 30)
= 24
fungsi_objektif(chromosome[6]) = Abs(( 20 + 2*5 + 3*7 + 4*1 ) – 30)
= Abs(( 20 + 10 + 21 + 4) – 30)
= Abs(55 – 30)
= 25
Rata-rata dari fungsi objektif adalah:
rata-rata = (33+10+13+46+24+25)/6
= 151 / 6
= 25.167
Proses seleksi dilakukan dengan cara membuat chromosome yang
mempunyai fungsi_objektif kecil mempunyai kemungkinan terpilih yang
besar atau mempunyai nilai probabilitas yang tinggi.
Algoritma dari seleksi roda roulette wheel adalah sebagai berikut :
a. Hitung total fitness (F) :
TotFitness = Σ Fk; k=1,2,…,popsize
Untuk itu dapat digunakan fungsi fitness = (1/(1+fungsi_objektif)),
fungsi_objektif perlu ditambah 1 untuk menghindari kesalahan program yang
diakibatkan pembagian oleh 0.
fitness[1]
= 1 / (fungsi_objektif[1]+1)
= 1 / 34
Universitas Sumatera Utara
33
= 0.0294
fitness[2]
= 1 / (fungsi_objektif[2]+1)
= 1 / 11
= 0.0909
fitness[3]
= 1 / (fungsi_objektif[3]+1)
= 1 / 14
= 0.0714
fitness[4]
= 1 / (fungsi_objektif[4]+1)
= 1 / 47
= 0.0212
fitness[5]
= 1 / (fungsi_objektif[5]+1)
= 1 / 25
= 0.0400
fitness[6]
= 1 / (fungsi_objektif[6]+1)
= 1 / 26
= 0.0385
total_fitness
= 0.0294 + 0.0909 + 0.0714 + 0.0212 + 0.04 + 0.0385
= 0.2914
b. Hitung fitness relatif tiap individu :
pk = Fk / TotFitness
Rumus untuk mencari probabilitas: P[i] = fitness[i] / total_fitness
P[1]
= 0.0294 / 0.2914
Universitas Sumatera Utara
34
= 0.1009
P[2]
= 0. 0909 / 0.2914
= 0.3119
P[3]
= 0. 0714 / 0.2914
= 0.2450
P[4]
= 0. 0212 / 0.2914
= 0.0728
P[5]
= 0.04 / 0.2914
= 0.1373
P[6]
= 0.0385 / 0.2914
= 0.1321
c. Hitung fitness komulatif :
− q1 = p1
− qk = qk-1 + pk; k =2,3,…,popsize
Dari probabilitas diatas dapat kita lihat kalau chromosome ke 2 yang
mempunyai fitness paling besar maka chromosome tersebut mempunyai
probabilitas untuk terpilih pada generasi selanjutnya lebih besar dari
chromosome lainnya. Untuk proses seleksi kita gunakan roulete wheel,
untuk itu kita harus mencari dahulu nilai kumulatif probabilitasnya:
C[1]
= 0.1009
C[2]
= 0.1009+ 0.3119
= 0.4128
Universitas Sumatera Utara
35
C[3]
= 0.1009+ 0.3119 + 0.2450
= 0.6578
C[4]
= 0.1009+ 0.3119 + 0.2450 + 0.0728
= 0.7306
C[5]
= 0.1009+ 0.3119 + 0.2450 + 0.0728 + 0.1373
= 0.8679
C[6]
= 0.1009+ 0.3119 + 0.2450 + 0.0728 + 0.1373 + 0.1321
=1
d. Pilih induk yang akan menjadi kandidat untuk di-crossover dengan cara :
-
Bangkitkan bilangan random r.
-
Jika qk ₤ r dan qk+1 > r, maka pilih kromosom ke (k+1) sebagai
kandidat induk.
Jika R[k] < C[1] maka pilih chromosome 1 sebagai induk, selain itu pilih
chromosome ke-k sebagai induk dengan syarat C[k-1] < R < C[k]. Kita
putar roulete wheel sebanyak jumlah populasi yaitu 6 kali (bangkitkan
bilangan acak R) dan pada tiap putaran, kita pilih satu chromosome untuk
populasi baru. Misal:
R[1] = 0.201
R[2] = 0.284
R[3] = 0.009
R[4] = 0.822
Universitas Sumatera Utara
36
R[5] = 0.398
R[6] = 0.501
Angka acak pertama R[1] adalah lebih besar dari C[1] dan lebih
kecil daripada C[2] maka pilih chromosome[2] sebagai chromosome pada
populasi baru, dari bilangan acak yang telah dibangkitkan diatas maka
populasi chromosome baru hasil proses seleksi adalah:
chromosome[1] = chromosome[2]
chromosome[2] = chromosome[2]
chromosome[3] = chromosome[1]
chromosome[4] = chromosome[5]
chromosome[5] = chromosome[2]
chromosome[6] = chromosome[3]
Chromosome baru hasil proses seleksi:
chromosome[1] = [02;01;08;03]
chromosome[2] = [02;01;08;03]
chromosome[3] = [12;05;03;08]
chromosome[4] = [01;04;03;09]
chromosome[5] = [02;01;08;03]
chromosome[6] = [10;04;03;04]
4. Crossover
Melakukan optimasi query dengan metode crossover M2S dan CHUNK
5. Mutasi
Universitas Sumatera Utara
37
Mutasi yang digunakan dalam penelitian ini adalah mutasi permutasi. Mutasi
yang dapat dilakukan yaitu dengan memilih dua nilai gen dari kromosom dan
kemudian nilai tersebut saling dipertukarkan. Penukaran untuk setiap nilai
dilakukan secara acak dengan masing-masing nilai gen yang menyatakan
relasi mempunyai peluang yang sama untuk terpilih sebagai nilai gen penukar.
6. Parameter Genetik
Parameter genetik berguna dalamnpengendalian operator-operator genetik.
Beberapa parameter yang digunakan adalah : jumlah relasi, ukuran populasi,
maksimum generasi, probabilitas crossover (Pc), dan probabilitas mutasi
(Pm).
3.3
3.3.1
Teknik Analisa Konsep E-Learning
Kebutuhan Optimasi
Konsep E-learning pada SMK Barumun yang akan dioptimasi adalah
Implementasi E-learning sebagai pengganti les tambahan yang merupakan
program pihak sekolah untuk meningkatkan hasil belajar siswa. Kegiaran belajar
on-line yang dilakukan oleh guru bidang studi adalah pemberian materi dan tugas
secara on line yang juga harus diikuti oleh siswa pada jam-jam yang telah
ditentukan. Untuk memudahkan pihak guru bidang studi, maka guru hanya
memberikan file materi dan tugas yang selalu terupdate untuk diserahkan pada
admin selanjutnya admin akan memasukkan dalam situs e-learning sekolah.
Keterbatasan pihak sekolah yang hanya mempunyai 2 (dua) admin tentu membuat
jalannya pembelajaran online beresiko akan terjadi benturan jadwal dan bisa
Universitas Sumatera Utara
38
memperlambat jalannya koneksi situs. Untuk itu perlu dilakukan optimasi
database
yang mana akan dikaji optimasi yang lebih baik dengan
membandingkan antara metode optimasi M2S cross over dan Chunk cross over.
3.3.2
Data base Elearning
Data
yang
tersimpan
dalam
database
elearning
diklasifikasikan
dan
dikombinasikan dengan menggunakan pendekatan algoritma genetika. Tabel-tabel
database yang berkaitan dengan optimasi elearning adalah sebagai berikut:
Tabel 3.1. Database tabel guru
Tabel guru dalam database elearning terdiri dari 6 field dengan 2 field
yang akan di kombinasikan dengan tabel lain yakni id sebagai kode guru dan
namaguru adalah staf pengajar.
Tabel 3.2. Database tabel siswa
Tabel siswa dalam database elearning terdiri dari 7 field dengan 4 field
yang akan di kombinasikan dengan tabel lain yakni id sebagai kode siswa, dan
Universitas Sumatera Utara
39
field nama adalah nama siswa, field fkelas yakni tingkatan kelas siswa yang terdiri
dari kelas sepuluh (X), sebelas (XI) dan duabelas (XII) dan field jurusan yakni
jurusan A, B dan C.
Tabel 3.3. Database tabel Matapelajaran
Tabel Matapelajaran dalam database elearning terdiri dari 3 field dengan 3
field yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode
pelajaran, field pelajaran adalah nama mata pelajaran dan field kelas adalah kelas
siswa yakni kelas sepuluh (X), sebelas (XI) dan duabelas (XII).
Tabel 3.4. Database tabel porsi
Tabel por dasilam database elearning terdiri dari 4 field dengan 4 field
yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode porsi,
field namaguru yakni staf pengajar dalam elearning, field semester adalah
semester berjalan dan field porsi adalah porsi untuk staff pengajar dalam
melakukan proses pengajaran dalam elearning.
Tabel 3.5. Database tabel Waktu
Universitas Sumatera Utara
40
Tabel waktu dalam database elearning terdiri dari 4 field dengan 4 field
yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode waktu,
field termin yakni termin elearning dalam satu hari, field jam adalah waktu jam
proses elearning dan field hari adalah jadwal hari proses elearning.
Tabel 3.6. Database tabel jadwal elearning
Tabel jadwal dalam database elearning terdiri dari 10 field dengan 10 field
yang akan di optimasi yakni field idguru sebagai kode guru, field namaguru yakni
nama staf pengajar, field idpelajaran sebagai kode mata pelajaran, field pelajaran
yakni mata pelajaran dalam elearning, field jurusan yakni penjurusan dari siswa,
field semester yakni semester berjalan, field kelas yakni tingkatan kelas siswa,
field hari yakni hari proses elearning dan field termin yakni termin dalam waktu
elearning yakni terbagi dalam termin 1,2 dan seterusnya berkaitan dengan field
jam yakni jam 16.30-17.30, 17.30-18.30, 18.30-19.30 , 19.30-20.30 dan 20.3021.30 .
3.3.3
Representasi Kromosom
Elemen utama dalam pengoperasian algoritma genetik yakni kromosom dimana
pada optimasi query database elearning diberikan sejumlah join dan relasi. Tabeltabel yang ada untuk membuat query, field-fieldnya dapat direlasikan ke tabel
Universitas Sumatera Utara
41
mana saja atau setiap tabel dapat dijoinkan dengan tabel-tabel lainnya. Relasi dan
join tabel elaearning dapat digambarkan sebagai berikut:
Admin
Id
Nama
Guru
matapelajaran
Id
Namaguru
NIP
pelajaran
Nohp
Email
Siswa
Id
pelajaran
kelas
Id
Namasiswa
NIS
kelas
jurusan
Nohp
email
Jadwal
Idguru
Namaguru
idpelajaran
pelajaran
jurusan
semester
kelas
hari
termin
jam
Porsi
Id
namaguru
semester
Porsi
waktu
Id
termin
jam
hari
Gambar 3.4 Relasi dan Joint tabel
3.3.4
Prosedur Inisialisasi
Pada prosedur inisiasi dilakukan proses inisiasi porsi guru pengajar elearning
dengan data awal 25 data guru dan 10 data mata pelajaran.
Universitas Sumatera Utara
42
Tabel 3.7. Database data Guru SMK N 1 Barumun
Kode Guru
Nama Guru
GU001
Reza Hakin
GU002
Mustika Rani
GU003
Siti Humaira
GU004
Raja Jamil
GU005
Eka Dinavia
GU006
Ari
GU007
Bernard
GU008
Cici
GU009
Dwi
GU010
Eli
GU011
Fadly
GU012
Gandi
GU013
Hari
GU014
Izul
GU015
Jaja
GU016
Kenanga
GU017
Luban
GU018
Mirna
GU019
Noni
GU020
Oka
GU021
Patrick
GU022
Qila
GU023
Rara
GU024
Sandi
GU025
Tuti
Universitas Sumatera Utara
43
Tabel 3.8. Database data Mata Pelajaran SMK N 1 Barumun
Kode Guru
Nama Mata Pelajaran
MP001
Matematika
MP002
Bahasa Inggris
MP003
Bahasa Indonesia
MP004
Bahasa Daerah
MP005
Pendidikan Agama
MP006
Kimia
MP007
Fisika
MP008
Komputer
MP009
Seni budaya
MP010
Sejarah
Dari tabel-tabel tersebut diatas diinisiasi berdasarkan porsi mengajar
online yang ditugaskan kerpada guru mata pelajaran dalam e-learning Web SMK
N 1 Barumun yang akan di tangani oleh 5 (lima) admin yakni Admin Susi, Admin
Raka, Admin Anton, Admin Budi dan Admin Cintia dengan uraian sebagai
berikut:
a. Kode guru
Nama guru
: GU001
: Reza hakin
Kode Mata pelajaran : MP001
Mata Pelajaran
: Matematika
Jurusan
: OTO
Semester
:I
Kelas
:X
Universitas Sumatera Utara
44
Tabel 3.9. Kode Guru GU001
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
III.
18.30-19.30
IV.
19.30-20.30
V.
20.30-21.30
Senin
(01)
Selasa
(02)
Susi
Raka
b. Kode guru
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Jum’at
(05)
Sabtu
(06)
: GU002
Nama guru
: Mustika Rani
Kode Mata pelajaran : MP002
Mata Pelajaran
: Bahasa inggris
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.10. Kode Guru GU002
Hari
Porsi
Senin
(01)
Selasa
(02)
Cintia
I.
16.30-17.30
Anton
II.
17.30-18.30
Budi
III.
18.30-19.30
IV.
19.30-20.30
V.
20.30-21.30
c. Kode guru
Nama guru
Rabu
(03)
Kamis
(04)
Raka
Susi
: GU003
: Siti Humaira
Universitas Sumatera Utara
45
Kode Mata pelajaran : MP003
Mata Pelajaran
: Bahasa indonesia
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.11. Kode Guru GU003
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
III.
18.30-19.30
IV.
19.30-20.30
V.
20.30-21.30
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Budi
Susi
Cintia
Anton
Raka
d. Kode guru
: GU004
Nama guru
: Raja Jamil
Kode Mata pelajaran : MP004
Mata Pelajaran
: Bahasa Daerah
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.12. Kode Guru GU004
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
III.
18.30-19.30
Senin
(01)
Selasa
(02)
Anton
Cintia
Budi
Susi
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Universitas Sumatera Utara
46
IV.
19.30-20.30
V.
20.30-21.30
Raka
e. Kode guru
Anton
: GU005
Nama guru
: Eka Dinavia
Kode Mata pelajaran : MP005
Mata Pelajaran
: Pendidikan Agama
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.13. Kode Guru GU005
Hari
Porsi
Senin
(01)
Selasa
(02)
Raka
I.
16.30-17.30
Budi
II.
17.30-18.30
Cintia
III.
18.30-19.30
Susi
IV.
19.30-20.30
V.
20.30-21.30
f. Kode guru
Nama guru
Rabu
(03)
Anton
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Budi
: GU006
: Ari
Kode Mata pelajaran : MP006
Mata Pelajaran
: Kimia
Jurusan
: OTO
Semester
:I
Kelas
:X
Universitas Sumatera Utara
47
Tabel 3.14. Kode Guru GU006
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
III.
18.30-19.30
IV.
19.30-20.30
Senin
(01)
Selasa
(02)
Cintia
Susi
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Jum’at
(05)
Sabtu
(06)
Raka
V. 20.30-21.30
g. Kode guru
: GU007
Nama guru
: Bernard
Kode Mata pelajaran : MP007
Mata Pelajaran
: Fisika
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.15. Kode Guru GU007
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
III.
18.30-19.30
IV.
19.30-20.30
V.
20.30-21.30
Senin
(01)
h. Kode guru
Nama guru
Selasa
(02)
Rabu
(03)
Kamis
(04)
Budi
Cintia
Anton
: GU008
: Cici
Universitas Sumatera Utara
48
Kode Mata pelajaran : MP008
Mata Pelajaran
: Komputer
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.16. Kode Guru GU008
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Susi
Raka
Jum’at
(05)
Sabtu
(06)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
i. Kode guru
: GU009
Nama guru
: Dwi
Kode Mata pelajaran : MP009
Mata Pelajaran
: Seni Budaya
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.17. Kode Guru GU009
Hari
Porsi
I.
16.30-17.30
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Cintia
Universitas Sumatera Utara
49
II. 17.30-18.30
III. 18.30-19.30
Anton
IV. 19.30-20.30
Budi
V. 20.30-21.30
j. Kode guru
: GU010
Nama guru
: Eli
Kode Mata pelajaran : MP010
Mata Pelajaran
: Sejarah
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.18. Kode Guru GU010
Hari
Porsi
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
I. 16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
Anton
Susi
IV.19.30-20.30
Raka
V. 20.30-21.30
k. Kode guru
Nama guru
: GU011
: Fadly
Kode Mata pelajaran : MP001
Mata Pelajaran
: Matematika
Jurusan
: OTO
Universitas Sumatera Utara
50
Semester
: III
Kelas
: XI
Tabel 3.19. Kode Guru GU011
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
III.
18.30-19.30
IV.
19.30-20.30
V.
20.30-21.30
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Cintia
Budi
l. Kode guru
Susi
: GU012
Nama guru
: Gandi
Kode Mata pelajaran : MP012
Mata Pelajaran
: Bahasa Inggris
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.20. Kode Guru GU012
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
Raka
Anton
Universitas Sumatera Utara
51
m. Kode guru
: GU013
Nama guru
: Hari
Kode Mata pelajaran : MP013
Mata Pelajaran
: BahasaIndonesia
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.21. Kode Guru GU013
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
Susi
III. 18.30-19.30
Budi
Cintia
Raka
IV. 19.30-20.30
V. 20.30-21.30
n. Kode guru
: GU014
Nama guru
: Izul
Kode Mata pelajaran : MP014
Mata Pelajaran
: Bahasa daerah
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.22. Kode Guru GU014
Hari
Senin
Selasa
Rabu
Kamis
Jum’at
Sabtu
Universitas Sumatera Utara
52
(01)
Porsi
I.
(02)
(03)
(04)
(05)
(06)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
Anton
Budi
IV. 19.30-20.30
V. 20.30-21.30
o. Kode guru
: GU015
Nama guru
: Jaja
Kode Mata pelajaran : MP015
Mata Pelajaran
: Pendidikan Agama
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.23. Kode Guru GU015
Hari
Porsi
I.
Senin
(01)
16.30-17.30
Selasa
(02)
Rabu
(03)
Cintia
Kamis
(04)
Susi
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
p. Kode guru
Nama guru
: GU016
: Kenanga
Kode Mata pelajaran : MP016
Universitas Sumatera Utara
53
Mata Pelajaran
: Kimia
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.24. Kode Guru GU016
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
Anton
Cintia
Raka
Budi
V. 20.30-21.30
q. Kode guru
: GU017
Nama guru
: Luban
Kode Mata pelajaran : MP017
Mata Pelajaran
: Fisika
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.25. Kode Guru GU017
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Raka
Susi
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
Universitas Sumatera Utara
54
IV. 19.30-20.30
Anton
V. 20.30-21.30
Budi
r. Kode guru
: GU018
Nama guru
: Mirna
Kode Mata pelajaran : MP018
Mata Pelajaran
: komputer
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.26. Kode Guru GU018
Hari
Porsi
I.
16.30-17.30
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Raka
Cintia
II. 17.30-18.30
III. 18.30-19.30
Susi
IV. 19.30-20.30
V. 20.30-21.30
s. Kode guru
Nama guru
: GU019
: Noni
Kode Mata pelajaran : MP019
Mata Pelajaran
: Seni Budaya
Jurusan
: OTO
Semester
: III
Universitas Sumatera Utara
55
Kelas
: XI
Tabel 3.27. Kode Guru GU019
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
Anton
t. Kode guru
: GU020
Nama guru
: Oka
Kode Mata pelajaran : MP001
Mata Pelajaran
: Sejarah
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.28. Kode Guru GU020
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Cintia
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
u. Kode guru
Budi
: GU021
Universitas Sumatera Utara
56
Nama guru
: Patrick
Kode Mata pelajaran : MP021
Mata Pelajaran
: Matematika
Jurusan
: OTO
Semester
:V
Kelas
: XII
Tabel 3.29. Kode Guru GU021
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
Anton
III. 18.30-19.30
Budi
IV. 19.30-20.30
Raka
V. 20.30-21.30
Susi
v. Kode guru
: GU022
Nama guru
: Qila
Kode Mata pelajaran : MP022
Mata Pelajaran
: Bahasa Inggris
Jurusan
: OTO
Semester
:V
Kelas
: XII
Tabel 3.30. Kode Guru GU022
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
Universitas Sumatera Utara
57
II. 17.30-18.30
Cinntia
III. 18.30-19.30
Susi
IV. 19.30-20.30
V. 20.30-21.30
Raka
w. Kode guru
: GU023
Nama guru
: Rara
Kode Mata pelajaran : MP023
Mata Pelajaran
: Bahasa Indonesia
Jurusan
: OTO
Semester
:V
Kelas
: XII
Tabel 3.31. Kode Guru GU023
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
Budi
Anton
IV. 19.30-20.30
V. 20.30-21.30
x. Kode guru
Nama guru
Cintia
: GU024
: Sandi
Kode Mata pelajaran : MP024
Mata Pelajaran
: Bahasa Daerah
Jurusan
: OTO
Semester
:V
Universitas Sumatera Utara
58
Kelas
: XI
Tabel 3.32. Kode Guru GU024
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Jum’at
(05)
Sabtu
(06)
Susi
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
y. Kode guru
: GU025
Nama guru
: Tuti
Kode Mata pelajaran : MP025
Mata Pelajaran
: Pendidikan Agama
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.33. Kode Guru GU025
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
16.30-17.30
II. 17.30-18.30
Raka
III. 18.30-19.30
Anton
IV. 19.30-20.30
V. 20.30-21.30
Universitas Sumatera Utara
59
3.3.5
Pembangkitan Populasi Awal
Pada proses pembangkitan populasi awal dilakukan dengan membangkitan
populasi penelitian yakni kesiapan guru untuk memberikan materi E-learning pada
siswa yang telah diinisialisasi. Populasi awal dibangkitkan secara acak dalam arti
setiap kromosom boleh ditampilkan tanpa urutan yang ditentukan dengan tidak
memperhatikan kesiapan mengajar, admin tersedia, kesiapan hari dan kesiapan
shift. Pembangkitan populasi awal dapat digambarkan dalam tabel berikut:
Tabel 3.34. Pembangkitan Populasi Awal
Kode
Guru
Nama
Guru
Kode
Mapel
Mapel
Juru
san
Se Admin
me
ster
Hari
Shift
GU001
Reza
Hakin
Reza
Hakin
Mustika
Rani
Mustika
Rani
Mustika
Rani
Mustika
Rani
Mustika
Rani
Siti
Humaira
Siti
Humaira
Siti
Humaira
Siti
Humaira
Siti
Humaira
Raja
Jamil
Raja
MP001
Matematika
OTO
1
Susi
I
MP001
Matematika
OTO
1
Raka
MP002
Bahasa
Inggris
Bahasa
Inggris
Bahasa
Inggris
Bahasa
Inggris
Bahasa
Inggris
Bahasa
Indonesia
Bahasa
Indonesia
Bahasa
Indonesia
Bahasa
Indonesia
Bahasa
Indonesia
Bahasa
daerah
Bahasa
OTO
1
Anton
OTO
1
Budi
OTO
1
Cintia
OTO
1
Susi
OTO
1
Raka
OTO
1
Anton
OTO
1
Budi
OTO
1
Cintia
OTO
1
Susi
OTO
1
Raka
OTO
1
Anton
OTO
1
Budi
Senin
(1)
Selasa
(2)
Senin
(1)
Senin
(1)
Selasa
(2)
Selasa
(2)
Kamis
(4)
Selasa
(2)
Rabu
(3)
Rabu
(3)
Kamis
(4)
Sabtu
(6)
Senin
(1)
Senin
GU001
GU002
GU002
GU002
GU002
GU002
GU003
GU003
GU003
GU003
GU003
GU004
GU004
MP002
MP002
MP002
MP002
MP003
MP003
MP003
MP003
MP003
MP004
MP004
I
I
II
I
III
II
IV
I
III
II
V
I
III
Universitas Sumatera Utara
60
GU006
Jamil
Raja
Jamil
Raja
Jamil
Raja
Jamil
Raja
Jamil
Eka
Dinavia
Eka
Dinavia
Eka
Dinavia
Eka
Dinavia
Eka
Dinavia
Eka
Dinavia
Ari
MP006
daerah
Bahasa
daerah
Bahasa
daerah
Bahasa
daerah
Bahasa
daerah
Pendidikan
Agama
Pendidikan
Agama
Pendidikan
Agama
Pendidikan
Agama
Pendidikan
Agama
Pendidikan
Agama
Kimia
GU006
Ari
MP006
Kimia
OTO
1
Susi
GU006
Ari
MP006
Kimia
OTO
1
Raka
GU007
Bernard
MP007
Fisika
OTO
1
Anton
GU007
Bernard
MP007
Fisika
OTO
1
Budi
GU007
Bernard
MP007
Fisika
OTO
1
Cintia
GU008
Cici
MP008
Komputer
OTO
1
Susi
GU008
Cici
MP008
Komputer
OTO
1
Raka
GU009
Dwi
MP009
Seni Budaya
OTO
1
Anton
GU009
Dwi
MP009
Seni Budaya
OTO
1
Budi
GU009
Dwi
MP009
Seni Budaya
OTO
1
Cintia
GU010
Eli
MP010
Sejarah
OTO
1
Susi
GU010
Eli
MP010
Sejarah
OTO
1
Raka
GU004
GU004
GU004
GU004
GU005
GU005
GU005
GU005
GU005
GU005
MP004
MP004
MP004
MP004
MP005
MP005
MP005
MP005
MP005
MP005
OTO
1
Cintia
OTO
1
Susi
OTO
1
Raka
OTO
1
Anton
OTO
1
Budi
OTO
1
Cintia
OTO
1
Susi
OTO
1
Raka
OTO
1
Anton
OTO
1
Budi
OTO
1
Cintia
(1)
Selasa
(2)
Selasa
(2)
Kamis
(4)
Sabtu
(6)
Senin
(1)
Senin
(1)
Senin
(1)
Selasa
(2)
Rabu
(3)
Sabtu
(6)
Senin
(1)
Selasa
(2)
Kamis
(4)
Selasa
(2)
Rabu
(3)
Kamis
(4)
Rabu
(3)
Kamis
(4)
Jum’at
(5)
Jum’at
(5)
Sabtu
(6)
Selasa
(2)
Rabu
(3)
I
III
IV
IV
I
II
III
I
V
V
II
II
III
IV
II
II
III
III
III
IV
I
III
IV
Universitas Sumatera Utara
61
GU010
Eli
MP010
Sejarah
OTO
1
Anton
GU011
Fadly
MP001
Matematika
OTO
III
Budi
GU011
Fadly
MP001
Matematika
OTO
III
Cintia
GU011
Fadly
MP001
Matematika
OTO
III
Susi
GU012
Gamdi
MP002
OTO
III
Raka
GU012
Gamdi
MP002
OTO
III
Anton
GU013
Hari
MP003
OTO
III
Budi
GU013
Hari
MP003
OTO
III
Cintia
GU013
Hari
MP003
OTO
III
Susi
GU013
Hari
MP003
OTO
III
Raka
GU014
Izul
MP004
OTO
III
Anton
GU014
Izul
MP004
OTO
III
Budi
GU015
Jaja
MP005
OTO
III
Cintia
GU015
Jaja
MP005
OTO
III
Susi
GU016
Kenanga
MP006
Bahasa
Inggris
Bahasa
Inggris
Bahssa
Indonesia
Bahssa
Indonesia
Bahssa
Indonesia
Bahssa
Indonesia
Bahasa
Daerah
Bahasa
Daerah
Pendidikan
Agama
Pendidikan
Agama
Kimia
OTO
III
Raka
GU016
Kenanga
MP006
Kimia
OTO
III
Anton
GU016
Kenanga
MP006
Kimia
OTO
III
Budi
GU016
Kenanga
MP006
Kimia
OTO
III
Cintia
GU017
Luban
MP007
Fisika
OTO
III
Susi
GU017
Luban
MP007
Fisika
OTO
III
Raka
GU017
Luban
MP007
Fisika
OTO
III
Anton
GU017
Luban
MP007
Fisika
OTO
III
Budi
GU018
Mirna
MP008
Komputer
OTO
III
Cintia
GU018
Mirna
MP008
Komputer
OTO
III
Susi
Kamis
(4)
Senin
(1)
Rabu
(3)
Jumat
(5)
Senn
(1)
Jumat
(5)
Senin
(1)
Selasa
(2)
Kamis
(4)
Sabtu
(6)
Selasa
(2)
Kamis
(4)
Rabu
(3)
Sabtu
(6)
Senn
(1)
Selasa
(2)
Kamis
(4)
Sabtu
(6)
Selasa
(2)
Rabu
(3)
Kamis
(4)
Sabtu
(6)
Senin
(1)
Selasa
II
IV
II
IV
V
V
III
III
II
III
III
III
I
I
IV
III
IV
III
II
II
IV
V
I
III
Universitas Sumatera Utara
62
GU018
Mirna
MP008
Komputer
OTO
III
Raka
GU019
Noni
MP009
Seni Budaya
OTO
III
Anton
GU020
Oka
MP010
Sejarah
OTO
III
Budi
GU020
Oka
MP010
Sejarah
OTO
III
Cintia
GU021
Patrick
MP001
Matematika
OTO
V
Susi
GU021
Patrick
MP001
Matematika
OTO
V
Raka
GU021
Patrick
MP001
Matematika
OTO
V
Anton
GU021
Patrick
MP001
Matematika
OTO
V
Budi
GU022
Qila
MP002
OTO
V
Cintia
GU022
Qila
MP002
OTO
V
Susi
GU022
Qila
MP002
OTO
V
Raka
GU023
Rara
MP003
OTO
V
Anton
GU023
Rara
MP003
OTO
V
Budi
GU023
Rara
MP003
OTO
V
Cintia
GU024
Sandi
MP004
OTO
V
Susi
GU025
Tuti
MP005
OTO
V
Raka
GU025
Tuti
MP005
Bahasa
Inggris
Bahasa
Inggris
Bahasa
Inggris
Bahasa
Indonesia
Bahasa
Indonesia
Bahasa
Indonesia
Bahasa
daerah
Pendidikan
Agama
Pendidikan
Agama
OTO
V
Anton
3.3.6
(2)
Rabu
(3)
Rabu
(3)
Selasa
(2)
Kamis
(4)
Senin
(1)
Selasa
(2)
Kamis
(4)
Jumat
(5)
Senin
(1)
Rabu
(3)
Sabtu
(6)
Senin
(1)
Rabu
(3)
Rabu
(3)
Kamis
(4)
Sabtu
(6)
Sabtu
(6)
I
V
V
II
V
IV
II
III
II
III
V
III
II
V
I
II
III
Evaluasi
Proses selanjutnya setelah pembangkitan awal populasi adalah proses
evaluasi, dimana kesiapan guru dalam memberikan materi pada E-learning yang
dibangkitkan diatas dievaluasi dengan menjumlahkan kesiapan memberikan
materi E-learning guru masing-masing.
Universitas Sumatera Utara
63
Tabel 3.35. Evaluasi
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Kode Guru
GU001
GU002
GU003
GU004
GU005
GU006
GU007
GU008
GU009
GU010
GU011
GU012
GU013
GU014
GU015
GU016
GU017
GU018
GU019
GU020
GU021
GU022
GU023
GU024
GU025
Kode Mapel
MP001
MP002
MP003
MP004
MP005
MP006
MP007
MP008
MP009
MP010
MP001
MP002
MP003
MP004
MP005
MP006
MP007
MP008
MP009
MP010
MP001
MP002
MP003
MP004
MP005
Jumlah Kesiapan
2
5
5
6
6
3
3
2
3
3
3
2
4
2
2
4
4
3
1
2
4
3
3
1
2
Universitas Sumatera Utara
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Penelitian
4.1.1 Optimasi Query
Bahasa query dalam web pembelajaran SMK Barumun adalah sebagai berikut :
SELECT * FROM `tb_admin` WHERE hari=1
SELECT * FROM `tb_guru` WHERE hari=1
SELECT * FROM `tb_matapelajaran` WHERE hari=1
SELECT * FROM `tb_siswa` WHERE hari=1
SELECT * FROM `tb_jadwal` WHERE hari=1
SELECT * FROM `tb_porsi` WHERE hari=1
SELECT * FROM `tb_waktu` WHERE hari=1
Query tersebut meminta semua record dari basis data yang sedang
digunakan. Optimasi query yang dilakukan dalam web pembelajaran ini adalah
sebagai berikut:
Query 1: Untuk setiap pembelajaran yang diberikan pada hari senin, diambil id,
jam, hari, nama guru, kelas, dan mata pelajaran.
Maka dapat digambarkan :
Π PId, jam, hari
: (σPlocation=tb_waktu(PROJECT))
Nguru=Nama_guru(tb_guru) Kkelas=kelas(tb_kelas)
Persamaan ini mengikuti SQL query berikut:
SELECT P.id, N.Nama_guru, K.kelas, N.Jam, N.hari
64
Universitas Sumatera Utara
65
FROM PROJECT AS P, Nama_guru AS N, Kelas AS K
WHERE P.id=N.Nama-Guru AND
N.hari=K.kelas AND P.Location=’tb_waktu’
Maka Proses Parsing nya adalah sebagai berikut :
a. Query tree yang sesuai dengan ekspresi relasi aljabar untuk Optimasi query
dilihat pada gambar 4.1
Π P.Pid, N.nama_guru, K.kelas, N.hari, N.jam
(3)
N.hari=K.kelas σ
(2)
P.ID=N.namaguru (P)
(1)
(K)
σ P.PLOCATION='tb_waktu'
(N)
(P)
Gambar 4.1 Optimasi Query Tree
Universitas Sumatera Utara
66
b. Inisial ( Canonical) query tree untuk SQL query pada optimasi ini dilihat pada
gambar 4.2
Π P.id, P.nama_guru, K.kelas, N.hari, N.jam
σ P.nama_guru=N.nama_guru And K.kelas=N.hari And P.PLocation=’ tb_waktu’
X
X
P
K
N
Gambar 4.2 Inisial Query Tree
Universitas Sumatera Utara
67
c. Query graph untuk optimasi query ini dapat dilihat gambar 4.3
[P.P.id, P.nama_guru]
[N.hari,N.Jam,]
(P)
(D)
(E)
P.PLocation=’tb_waktu’
Tb_waktu
Gambar 4.3 Query Graph
4.1.2
Mutasi Crossover
a. M2S (Modified Two Swap) Crossover
1) Seleksi
Proses setelah evaluasi adalah melakukan rekombinasi dengan mutasi crossover.
Pada metode M2S langkah awal adalah membuat seleksi dimana kesiapan guru
dalam memberikan materi pada E-learning SMK akan dilakukan seleksi
berdasarkan hari dan shift waktu yang telah ditetapkan. Proses seleksi bertujuan
untuk menentukan kesiapan guru mana yang sesuai untuk memberikan materi Elearning pada admin yang tersedia. Seleksi yang penulis gunakan adalah dengan
cara mengurutkan kesiapan guru dalam memberikan materi E-lerning menurut
nilai objektifnya (banyaknya kesiapan guru).
Penerapan untuk contoh dalam proses seleksi diatas, dapat dilihat pada
Tabel di bawah ini, yakni seleksi (1,I) : menampilkan semua kesiapan guru dalam
Universitas Sumatera Utara
68
memberikan materi E-learning dengan hari = senin dan shift = l (16.30-17.30)
yang diurutkan secara naik berdasarkan banyaknya kesiapan guru.
Tabel 4.1 Seleksi M2S Crossover
Kode
Guru
Nama
Guru
Kode
Mapel
Mapel
Juru
san
Se Admin
me
ster
Hari
Shift
Tota
l
Kesi
apan
GU001
Reza
Hakin
Mustika
Rani
Raja
Jamil
Eka
Dinavia
Mirna
MP001
Matematika
OTO
1
Susi
I
2
MP002
Bahasa
Inggris
Bahasa
daerah
Pendidikan
Agama
Komputer
OTO
1
Anton
I
5
OTO
1
Anton
I
6
OTO
1
Budi
I
6
OTO
III
Cintia
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
I
3
GU002
GU004
GU005
GU018
MP004
MP005
MP008
2) Mutasi
Pada metode M2S crossover, dari proses seleksi diatas, diambil kesiapan guru
dalam memberikan materi E-learning sebanyak admin yang tersedia sebagai
penginput data dan akan disimpan pada sebuah tabel jadwal. Proses ini
menyebabkan populasi (kesiapan guru) terhadap admin berkurang menjadi hanya
5 (lima) dan mengalami rekombinasi. Rekombinasi juga terjadi terhadap proses
seleksi untuk hari dan shift berikutnya terhadap kesiapan guru dalam memberikan
materi E-learning (seleksi(l ,II) dan seterusnya). Tabel dibawah ini merupakan
hasil dari mutasi diatas dimana terjadi kesamaan pemberian materi pada satu
admin di hari dan shif yang sama maka dimutasi sehingga terpilih hanya 4 (empat)
populasi saja yang terpilih.
Universitas Sumatera Utara
69
Tabel 4.2 Jadwal Generasi 1 M2S Crossover
Kode
Guru
Nama
Guru
Kode
Mapel
Mapel
Juru
san
Se Admin
me
ster
Hari
Shift
Tota
l
Kesi
apan
GU001
Reza
Hakin
Mustika
Rani
Eka
Dinavia
Mirna
MP001
Matematika
OTO
1
Susi
I
2
MP002
Bahasa
Inggris
Pendidikan
Agama
Komputer
OTO
1
Anton
I
5
OTO
1
Budi
I
6
OTO
III
Cintia
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
I
3
GU002
GU005
GU018
4.1.3
MP005
MP008
CHUNK Crossover
1) Seleksi Chunk
Pada metode Chunk crossover proses setelah evaluasi adalah melakukan
rekombinasi dengan mutasi CHUNK crossover. Pada metode ini langkah awal
adalah membuat seleksi dimana kesiapan guru dalam memberikan materi pada Elearning SMK akan dilakukan seleksi berdasarkan hari yang telah ditentukan dan
semua shift waktu. Proses seleksi ini juga bertujuan untuk menentukan kesiapan
guru mana yang sesuai untuk memberikan materi E-learning pada admin yang
tersedia. Penerapan untuk contoh dalam proses seleksi dengan CHUNK crossover,
dapat dilihat pada Tabel di bawah ini, yakni seleksi (1,) : menampilkan semua
kesiapan guru dalam memberikan materi E-learning dengan hari = senin dan shift
= I - V yang diurutkan secara naik berdasarkan banyaknya kesiapan guru.
Universitas Sumatera Utara
70
Tabel 4.3 Seleksi CHUNK Crossover
Kode
Guru
Nama
Guru
Kode
Mapel
Mapel
Juru
san
Se Admin
me
ster
Hari
Shift
Tota
l
kesi
apan
GU001
MP001
Matematika
OTO
1
Susi
2
MP002
OTO
1
Anton
I
5
OTO
1
Budi
II
5
OTO
1
Anton
I
5
OTO
1
Budi
III
5
OTO
1
Budi
I
6
OTO
1
Cintia
II
6
OTO
1
Susi
III
6
MP006
Bahasa
Inggris
Bahasa
Inggris
Bahasa
daerah
Bahasa
daerah
Pendidikan
Agama
Pendidikan
Agama
Pendidikan
Agama
Kimia
OTO
1
Cintia
II
3
GU011
Fadly
MP001
Matematika
OTO
III
Budi
IV
3
GU012
Gamdi
MP002
OTO
III
Raka
V
2
GU013
Hari
MP003
OTO
III
Budi
III
4
GU016
Kenanga
MP006
Bahasa
Inggris
Bahssa
Indonesia
Kimia
OTO
III
Raka
IV
4
GU018
Mirna
MP008
Komputer
OTO
III
Cintia
I
3
GU021
Patrick
MP001
Matematika
OTO
V
Susi
V
4
GU022
Qila
MP002
OTO
V
Cintia
II
3
GU023
Rara
MP003
Bahasa
Inggris
Bahasa
Indonesia
OTO
V
Anton
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senn
(1)
Senin
(1)
Senn
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
I
GU006
Reza
Hakin
Mustika
Rani
Mustika
Rani
Raja
Jamil
Raja
Jamil
Eka
Dinavia
Eka
Dinavia
Eka
Dinavia
Ari
III
3
GU002
GU002
GU004
GU004
GU005
GU005
GU005
MP002
MP004
MP004
MP005
MP005
MP005
Universitas Sumatera Utara
71
2) Mutasi Chunk crossover
Pada metode Chunk crossover, dari proses seleksi diatas, diambil kesiapan guru
dalam memberikan materi E-learning kepada admin sebanyak admin yang tersedia
sebagai penginput data dan akan disimpan pada sebuah tabel jadwal. Proses ini
menyebabkan populasi (kesiapan guru) memebrikan materi kepada admin dari
tabel diatas berkurang menjadi 17 (tujug belas) populasi dan mengalami
rekombinasi. Rekombinasi juga terjadi terhadap proses seleksi untuk hari dan shift
berikutnya terhadap kesiapan guru dalam memberikan materi E-learning (seleksi(l
,II) dan seterusnya). Dalam tabel dibawah ini terlihat proses mutasi dimana
kesiapan guru memberikan materi kepada admin dipilih menjadi 13 populasi yang
terseleksi di generasi 1.
Tabel 4.4 Jadwal Generasi 1 Chunk Crossover
Kode
Guru
Nama
Guru
Kode
Mapel
Mapel
Juru
san
Se Admin
me
ster
Hari
Shift
Tota
l
kesi
apan
GU001
Reza
Hakin
Mustika
Rani
Eka
Dinavia
Mirna
MP001
Matematika
OTO
1
Susi
I
2
MP002
Bahasa
Inggris
Pendidikan
Agama
Komputer
OTO
1
Anton
I
5
OTO
1
Budi
I
6
OTO
III
Cintia
I
3
Mustika
Rani
Eka
Dinavia
Raja
Jamil
Eka
Dinavia
Rara
MP002
Bahasa
Inggris
Pendidikan
Agama
Bahasa
daerah
Pendidikan
Agama
Bahasa
Indonesia
OTO
1
Budi
II
5
OTO
1
Cintia
II
6
OTO
1
Budi
III
5
OTO
1
Susi
III
6
OTO
V
Anton
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
III
3
GU002
GU005
GU018
GU002
GU005
GU004
GU005
GU023
MP005
MP008
MP005
MP004
MP005
MP003
Universitas Sumatera Utara
72
GU011
Fadly
MP001
Matematika
OTO
III
Budi
GU016
Kenanga
MP006
Kimia
OTO
III
Raka
GU012
Gamdi
MP002
OTO
III
Raka
GU021
Patrick
MP001
Bahasa
Inggris
Matematika
OTO
V
Susi
4.2
Senin
(1)
Senn
(1)
Senn
(1)
Senin
(1)
IV
3
IV
4
V
2
V
4
Pembahasan Hasil Pengujian
Sesuai rancangan penelitian yang penulis lakukan dengan menguji hasil optimasi
query database dalam web pembelajaran SMK N 1 Barumun dan untuk
menganalisa perbandingan antara optimasi dengan metode M2S Crossover dan
optimasi dengan metode CHUNK Crossover dengan parameter-parameter sebagai
berikut:
Ukuran populasi
=
50
Maksimum generasi
=
100
Probabilitas crossover (Pc)
=
10,20,30,40,50
Probabilitas mutasi (Pm) =
7
Dengan hasil pengujian sebagai berikut:
Hasil pengujian lengkap perbandingan metode M2S crossover dengan CHUNKs
crossover dijelaskan dalam tabel berikut:
Tabel 4.5 Hasil Pengujan M2S Crossover
Probabilitas
Crossover
10
Kromosom
yang
dibangkitkan
50
Maksimum
Generasi
Probability
Mutasi
Fitness
100
7
1,570
20
50
100
7
1,419
30
50
100
7
1,668
Universitas Sumatera Utara
73
40
50
100
7
1,915
50
50
100
7
2,082
Fitness Rata-rata
1,7308
Tabel 4.6 Hasil Pengujan CHUNK Crossover
Probabilitas
Crossover
10
Kromosom
yang
dibangkitkan
50
Maksimum
Generasi
Probability
Mutasi
Akumuatif
Fitness
100
7
1,530
20
50
100
7
1,316
30
50
100
7
1,915
40
50
100
7
1,292
50
50
100
7
1,575
Fitness rata-rata
1,5256
Berdasarkan hasil pengujian pada tabel diatas dapat dilihat bahwa nilai
fitness pengujian dengan metode M2S cross over adalah lebih tinggi pada setiap
probability crossovernya yakni pada nilai probabilitas 10, 20, 30, 40 dan 50
dibanding dengan CHUNK crossover, dimana masing-masing kromosom yang
dibangkitkan 50 dan maksimum generasi 100. Nilai fitness tertinggi pada metode
m2s adalalah pada probabilitas 50 dengan nilai fitness 2,082. Sedangkan pada
metode CHUNK, nilai fitness tertinggi ada pada probabilitas 30 dengan nilai
fitness 1,915. Nilai fitness rata-rata pada probabilitas 10,20,30,40 dan 50 untuk
metode M2S adalah 1,7308. Sedangan nilai fitness rata-rata untuk metode
CHUNK cross over adalah 1,5256. Sehingga selisih fitness rata-rata metode M2S
lebih baik senilai 0,2052 dibanding metode CHUNK Crossover.
Universitas Sumatera Utara
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil penelitian dan analisa pembahasan yang peneliti lakukan, maka
dapat ditarik kesimpulan sebagai berikut:
1. Optimasi query database web E-learning SMK Baramun adalah memindahkan
tiap operasi SELECT sejauh mungkin ke bawah query tree selama
diperbolehkan oleh attribute-attribute dalam kondisi SELECT
2. Optimasi query database dalam web pembelajaran SMK N 1 Barumun dapat
meningkatkan performa aplikasi dengan nilai optimum dan tidak membutuhkan
banyak iterasi.
3. Metode terbaik untuk permasalahan optimasi query database web SMK
Barumun pada percobaan yang dilakukan
antara Metode M2S crossover
dengan CHUNK crossover adalah metode M2S crossover dengan nilai fitness
yang lebih tinggi dan waktu yang lebih cepat.
5.2 Saran
Dari penelitian yang telah dilakukan oleh peneliti, maka saran-saran yang bisa
diberikan adalah:
1. Diharapkan setiap database pada web sekolah dilakukan optimasi.
2. Sebaiknya metode optimasi yang digunakan menggunakan metode M2S
crossover karena hasilnya lebih baik daripada Chunk crossover
74
Universitas Sumatera Utara
75
3. Bagi peneliti lain, kiranya dapat dilakukan lagi penelitian sejenis yakni tentang
optimasi database dengan metode optimasi lainnya sebagai perbandingan
dengan penelitian ini.
Universitas Sumatera Utara
METODOLOGI PENELITIAN
Ukuran unjuk kerja dalam hal ini kecepatan akses data dalam sebuah aplikasi web
dipengaruhi oleh banyak faktor. Salah satu faktornya adalah desain aplikasi.
Untuk kinerja Desain aplikasi dalam layout saja tidak cukup untuk pengoptimalan
kinerja web. Meskipun layout dibuat sederhana dengan sedikit menggunakan
aplikasi multimedia seperti flash dalam desain aplikasinya namun tetap saja belum
bisa menjamin kinerja aplikasi web akan cepat. Optimasi dalam desain aplikasi
Kalau tidak didukung dengan kecepatan akses yang memadai maka akan semakin
menurun unjuk kerjanya.
Faktor lainnya adalah optimasi basis data. Data yang tersimpan dalam
database semakin lama akan semakin besar ukuran atau volumenya. Untuk
meningkatkan unjuk kerja harus didukung dengan optimasi dari perintah SQL
yang digunakan pada aplikasi tersebut. Dalam mendesain database, seringkali
lokasi fisik data tidak menjadi perhatian penting karena hanya desain logik saja
yang diperhatikan. Padahal untuk menampilkan hasil query dibutuhkan pencarian
yang melibatkan struktur fisik penyimpanan data. Inti dari optimasi query adalah
meminimalkan “jalur” pencarian untuk menemukan data yang disimpan dalam
lokasi fisik.
Index pada database digunakan untuk meningkatkan kecepatan akses data.
Pada saat query dijalankan, index mencari data dan menentukan nilai ROWID
yang membantu menemukan lokasi data secara fisik di disk. Akan tetapi
28
Universitas Sumatera Utara
29
penggunaan index yang tidak tepat, tidak akan meningkatkan unjuk kerja dalam
hal ini kecepatan akses data.
3.1
Bahan-Bahan
Dalam
penelitian
ini
penulis
menganalisis
web
E-learning
dengan
menggabungkan metode M2S crossover dan metode CHUNK crossover sehingga
dihasilkan sebuah penggabungan dari kedua metode M2S crossover dan CHUNK
crossover tersebut dalam optimasi data.
Adapun bahan-bahan yang digunakan dalam penelitian ini berupa Data
yang terdiri dari tabel guru, tabel siswa, tabel matapelajaran, tabel porsi (tabel staf
pengajar dalam melakukan proses pembelajaran), tabel waktu, tabel jadwal Elearning.
3.2
Analisis Optimasi
Menganalisa optimasi query database dalam web pembelajaran SMK N 1
Barumun dan untuk menganalisa perbandingan antara optimasi dengan metode
M2S Crossover dan optimasi dengan metode CHUNK Crossover dengan tahapantahapan:
1. Representasi Kromosom
Elemen utama dalam pengoperasian algoritma genetik adalah kromosom. Pada
optimasi query database ini diberikan sejumlah join dan relasi. Dari setiap
tabel yang ada, untuk membuat query, field-fieldnya dapat direlasikan ke tabel
Universitas Sumatera Utara
30
mana saja. Dengan kata lain, setiap tabel dapat dijoinkan dengan tabel-tabel
lainnya.
Contoh:
Dicari nilai a, b, c, d maka variabel a, b, c, d dijadikan sebagai gen-gen
pembentuk chromosome. Batasan nilai variabel a adalah bilangan integer 0
sampai 30. Sedangkan batasan nilai variabel b, c, dan d adalah bilangan
integer 0 sampai 10.
2. Menentukan populasi awal
Setelah ukuran populasi ditentukan, kemudian dilakukan inisialisasi terhadap
kromosom yang terdapat pada populasi tersebut dengan populasi awal dipilih
secara acak.
Contoh:
Misalkan ditentukan jumlah populasi adalah 6, maka:
Chromosome[1] = [a;b;c;d] = [12;05;03;08]
Chromosome[2] = [a;b;c;d] = [02;01;08;03]
Chromosome[3] = [a;b;c;d] = [10;04;03;04]
Chromosome[4] = [a;b;c;d] = [20;01;10;06]
Chromosome[5] = [a;b;c;d] = [01;04;03;09]
Chromosome[6] = [a;b;c;d] = [20;05;07;01]
3. Seleksi
Metode seleksi yang digunakan pada algoritma ini adalah metode Roulette
Wheel (piringan rolet). Seleksi ini bertujuan untuk memberikan kesempatan
Universitas Sumatera Utara
31
seleksi yang lebih besar bagi anggota populasi yang memiliki fitness tinggi
untuk melakukan seleksi.
Permasalahan yang ingin diselesaikan adalah nilai variabel a, b, c, dan d yang
memenuhi persamaan a+2b+3c+4d = 30, maka fungsi_objektif yang dapat
digunakan untuk mendapatkan solusi adalah:
fungsi_objektif(chromosome) = | (a+2b+3c+4d) – 30 |
Hitung fungsi_objektif dari chromosome yang telah dibangkitkan:
fungsi_objektif(chromosome[1]) = Abs(( 12 + 2*5 + 3*3 + 4*8 ) – 30)
= Abs((12 + 10 + 9 + 32 ) – 30)
= Abs(63 – 30)
= 33
fungsi_objektif(chromosome[2]) = Abs(( 2 + 2*1 + 3*8 + 4*3 ) – 30)
= Abs(( 2 + 2 + 24 + 12 ) – 30)
= Abs(40 – 30)
= 10
fungsi_objektif(chromosome[3]) = Abs(( 10 + 2*4 + 3*3 + 4*4 ) -30)
= Abs(( 10 + 8 + 9 + 16 ) – 30)
= Abs(43 – 30)
= 13
fungsi_objektif(chromosome[4]) = Abs(( 20 + 2*1 + 3*10 + 4*6 ) – 30)
= Abs(( 20 + 2 + 30 + 24 ) – 30)
= Abs(76 – 30)
= 46
Universitas Sumatera Utara
32
fungsi_objektif(chromosome[5]) = Abs(( 1 + 2*4 + 3*3 + 4*9 ) – 30)
= Abs(( 1 + 8 + 9 + 36 ) – 30)
= Abs(54 – 30)
= 24
fungsi_objektif(chromosome[6]) = Abs(( 20 + 2*5 + 3*7 + 4*1 ) – 30)
= Abs(( 20 + 10 + 21 + 4) – 30)
= Abs(55 – 30)
= 25
Rata-rata dari fungsi objektif adalah:
rata-rata = (33+10+13+46+24+25)/6
= 151 / 6
= 25.167
Proses seleksi dilakukan dengan cara membuat chromosome yang
mempunyai fungsi_objektif kecil mempunyai kemungkinan terpilih yang
besar atau mempunyai nilai probabilitas yang tinggi.
Algoritma dari seleksi roda roulette wheel adalah sebagai berikut :
a. Hitung total fitness (F) :
TotFitness = Σ Fk; k=1,2,…,popsize
Untuk itu dapat digunakan fungsi fitness = (1/(1+fungsi_objektif)),
fungsi_objektif perlu ditambah 1 untuk menghindari kesalahan program yang
diakibatkan pembagian oleh 0.
fitness[1]
= 1 / (fungsi_objektif[1]+1)
= 1 / 34
Universitas Sumatera Utara
33
= 0.0294
fitness[2]
= 1 / (fungsi_objektif[2]+1)
= 1 / 11
= 0.0909
fitness[3]
= 1 / (fungsi_objektif[3]+1)
= 1 / 14
= 0.0714
fitness[4]
= 1 / (fungsi_objektif[4]+1)
= 1 / 47
= 0.0212
fitness[5]
= 1 / (fungsi_objektif[5]+1)
= 1 / 25
= 0.0400
fitness[6]
= 1 / (fungsi_objektif[6]+1)
= 1 / 26
= 0.0385
total_fitness
= 0.0294 + 0.0909 + 0.0714 + 0.0212 + 0.04 + 0.0385
= 0.2914
b. Hitung fitness relatif tiap individu :
pk = Fk / TotFitness
Rumus untuk mencari probabilitas: P[i] = fitness[i] / total_fitness
P[1]
= 0.0294 / 0.2914
Universitas Sumatera Utara
34
= 0.1009
P[2]
= 0. 0909 / 0.2914
= 0.3119
P[3]
= 0. 0714 / 0.2914
= 0.2450
P[4]
= 0. 0212 / 0.2914
= 0.0728
P[5]
= 0.04 / 0.2914
= 0.1373
P[6]
= 0.0385 / 0.2914
= 0.1321
c. Hitung fitness komulatif :
− q1 = p1
− qk = qk-1 + pk; k =2,3,…,popsize
Dari probabilitas diatas dapat kita lihat kalau chromosome ke 2 yang
mempunyai fitness paling besar maka chromosome tersebut mempunyai
probabilitas untuk terpilih pada generasi selanjutnya lebih besar dari
chromosome lainnya. Untuk proses seleksi kita gunakan roulete wheel,
untuk itu kita harus mencari dahulu nilai kumulatif probabilitasnya:
C[1]
= 0.1009
C[2]
= 0.1009+ 0.3119
= 0.4128
Universitas Sumatera Utara
35
C[3]
= 0.1009+ 0.3119 + 0.2450
= 0.6578
C[4]
= 0.1009+ 0.3119 + 0.2450 + 0.0728
= 0.7306
C[5]
= 0.1009+ 0.3119 + 0.2450 + 0.0728 + 0.1373
= 0.8679
C[6]
= 0.1009+ 0.3119 + 0.2450 + 0.0728 + 0.1373 + 0.1321
=1
d. Pilih induk yang akan menjadi kandidat untuk di-crossover dengan cara :
-
Bangkitkan bilangan random r.
-
Jika qk ₤ r dan qk+1 > r, maka pilih kromosom ke (k+1) sebagai
kandidat induk.
Jika R[k] < C[1] maka pilih chromosome 1 sebagai induk, selain itu pilih
chromosome ke-k sebagai induk dengan syarat C[k-1] < R < C[k]. Kita
putar roulete wheel sebanyak jumlah populasi yaitu 6 kali (bangkitkan
bilangan acak R) dan pada tiap putaran, kita pilih satu chromosome untuk
populasi baru. Misal:
R[1] = 0.201
R[2] = 0.284
R[3] = 0.009
R[4] = 0.822
Universitas Sumatera Utara
36
R[5] = 0.398
R[6] = 0.501
Angka acak pertama R[1] adalah lebih besar dari C[1] dan lebih
kecil daripada C[2] maka pilih chromosome[2] sebagai chromosome pada
populasi baru, dari bilangan acak yang telah dibangkitkan diatas maka
populasi chromosome baru hasil proses seleksi adalah:
chromosome[1] = chromosome[2]
chromosome[2] = chromosome[2]
chromosome[3] = chromosome[1]
chromosome[4] = chromosome[5]
chromosome[5] = chromosome[2]
chromosome[6] = chromosome[3]
Chromosome baru hasil proses seleksi:
chromosome[1] = [02;01;08;03]
chromosome[2] = [02;01;08;03]
chromosome[3] = [12;05;03;08]
chromosome[4] = [01;04;03;09]
chromosome[5] = [02;01;08;03]
chromosome[6] = [10;04;03;04]
4. Crossover
Melakukan optimasi query dengan metode crossover M2S dan CHUNK
5. Mutasi
Universitas Sumatera Utara
37
Mutasi yang digunakan dalam penelitian ini adalah mutasi permutasi. Mutasi
yang dapat dilakukan yaitu dengan memilih dua nilai gen dari kromosom dan
kemudian nilai tersebut saling dipertukarkan. Penukaran untuk setiap nilai
dilakukan secara acak dengan masing-masing nilai gen yang menyatakan
relasi mempunyai peluang yang sama untuk terpilih sebagai nilai gen penukar.
6. Parameter Genetik
Parameter genetik berguna dalamnpengendalian operator-operator genetik.
Beberapa parameter yang digunakan adalah : jumlah relasi, ukuran populasi,
maksimum generasi, probabilitas crossover (Pc), dan probabilitas mutasi
(Pm).
3.3
3.3.1
Teknik Analisa Konsep E-Learning
Kebutuhan Optimasi
Konsep E-learning pada SMK Barumun yang akan dioptimasi adalah
Implementasi E-learning sebagai pengganti les tambahan yang merupakan
program pihak sekolah untuk meningkatkan hasil belajar siswa. Kegiaran belajar
on-line yang dilakukan oleh guru bidang studi adalah pemberian materi dan tugas
secara on line yang juga harus diikuti oleh siswa pada jam-jam yang telah
ditentukan. Untuk memudahkan pihak guru bidang studi, maka guru hanya
memberikan file materi dan tugas yang selalu terupdate untuk diserahkan pada
admin selanjutnya admin akan memasukkan dalam situs e-learning sekolah.
Keterbatasan pihak sekolah yang hanya mempunyai 2 (dua) admin tentu membuat
jalannya pembelajaran online beresiko akan terjadi benturan jadwal dan bisa
Universitas Sumatera Utara
38
memperlambat jalannya koneksi situs. Untuk itu perlu dilakukan optimasi
database
yang mana akan dikaji optimasi yang lebih baik dengan
membandingkan antara metode optimasi M2S cross over dan Chunk cross over.
3.3.2
Data base Elearning
Data
yang
tersimpan
dalam
database
elearning
diklasifikasikan
dan
dikombinasikan dengan menggunakan pendekatan algoritma genetika. Tabel-tabel
database yang berkaitan dengan optimasi elearning adalah sebagai berikut:
Tabel 3.1. Database tabel guru
Tabel guru dalam database elearning terdiri dari 6 field dengan 2 field
yang akan di kombinasikan dengan tabel lain yakni id sebagai kode guru dan
namaguru adalah staf pengajar.
Tabel 3.2. Database tabel siswa
Tabel siswa dalam database elearning terdiri dari 7 field dengan 4 field
yang akan di kombinasikan dengan tabel lain yakni id sebagai kode siswa, dan
Universitas Sumatera Utara
39
field nama adalah nama siswa, field fkelas yakni tingkatan kelas siswa yang terdiri
dari kelas sepuluh (X), sebelas (XI) dan duabelas (XII) dan field jurusan yakni
jurusan A, B dan C.
Tabel 3.3. Database tabel Matapelajaran
Tabel Matapelajaran dalam database elearning terdiri dari 3 field dengan 3
field yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode
pelajaran, field pelajaran adalah nama mata pelajaran dan field kelas adalah kelas
siswa yakni kelas sepuluh (X), sebelas (XI) dan duabelas (XII).
Tabel 3.4. Database tabel porsi
Tabel por dasilam database elearning terdiri dari 4 field dengan 4 field
yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode porsi,
field namaguru yakni staf pengajar dalam elearning, field semester adalah
semester berjalan dan field porsi adalah porsi untuk staff pengajar dalam
melakukan proses pengajaran dalam elearning.
Tabel 3.5. Database tabel Waktu
Universitas Sumatera Utara
40
Tabel waktu dalam database elearning terdiri dari 4 field dengan 4 field
yang akan di kombinasikan dengan tabel lain yakni field id sebagai kode waktu,
field termin yakni termin elearning dalam satu hari, field jam adalah waktu jam
proses elearning dan field hari adalah jadwal hari proses elearning.
Tabel 3.6. Database tabel jadwal elearning
Tabel jadwal dalam database elearning terdiri dari 10 field dengan 10 field
yang akan di optimasi yakni field idguru sebagai kode guru, field namaguru yakni
nama staf pengajar, field idpelajaran sebagai kode mata pelajaran, field pelajaran
yakni mata pelajaran dalam elearning, field jurusan yakni penjurusan dari siswa,
field semester yakni semester berjalan, field kelas yakni tingkatan kelas siswa,
field hari yakni hari proses elearning dan field termin yakni termin dalam waktu
elearning yakni terbagi dalam termin 1,2 dan seterusnya berkaitan dengan field
jam yakni jam 16.30-17.30, 17.30-18.30, 18.30-19.30 , 19.30-20.30 dan 20.3021.30 .
3.3.3
Representasi Kromosom
Elemen utama dalam pengoperasian algoritma genetik yakni kromosom dimana
pada optimasi query database elearning diberikan sejumlah join dan relasi. Tabeltabel yang ada untuk membuat query, field-fieldnya dapat direlasikan ke tabel
Universitas Sumatera Utara
41
mana saja atau setiap tabel dapat dijoinkan dengan tabel-tabel lainnya. Relasi dan
join tabel elaearning dapat digambarkan sebagai berikut:
Admin
Id
Nama
Guru
matapelajaran
Id
Namaguru
NIP
pelajaran
Nohp
Siswa
Id
pelajaran
kelas
Id
Namasiswa
NIS
kelas
jurusan
Nohp
Jadwal
Idguru
Namaguru
idpelajaran
pelajaran
jurusan
semester
kelas
hari
termin
jam
Porsi
Id
namaguru
semester
Porsi
waktu
Id
termin
jam
hari
Gambar 3.4 Relasi dan Joint tabel
3.3.4
Prosedur Inisialisasi
Pada prosedur inisiasi dilakukan proses inisiasi porsi guru pengajar elearning
dengan data awal 25 data guru dan 10 data mata pelajaran.
Universitas Sumatera Utara
42
Tabel 3.7. Database data Guru SMK N 1 Barumun
Kode Guru
Nama Guru
GU001
Reza Hakin
GU002
Mustika Rani
GU003
Siti Humaira
GU004
Raja Jamil
GU005
Eka Dinavia
GU006
Ari
GU007
Bernard
GU008
Cici
GU009
Dwi
GU010
Eli
GU011
Fadly
GU012
Gandi
GU013
Hari
GU014
Izul
GU015
Jaja
GU016
Kenanga
GU017
Luban
GU018
Mirna
GU019
Noni
GU020
Oka
GU021
Patrick
GU022
Qila
GU023
Rara
GU024
Sandi
GU025
Tuti
Universitas Sumatera Utara
43
Tabel 3.8. Database data Mata Pelajaran SMK N 1 Barumun
Kode Guru
Nama Mata Pelajaran
MP001
Matematika
MP002
Bahasa Inggris
MP003
Bahasa Indonesia
MP004
Bahasa Daerah
MP005
Pendidikan Agama
MP006
Kimia
MP007
Fisika
MP008
Komputer
MP009
Seni budaya
MP010
Sejarah
Dari tabel-tabel tersebut diatas diinisiasi berdasarkan porsi mengajar
online yang ditugaskan kerpada guru mata pelajaran dalam e-learning Web SMK
N 1 Barumun yang akan di tangani oleh 5 (lima) admin yakni Admin Susi, Admin
Raka, Admin Anton, Admin Budi dan Admin Cintia dengan uraian sebagai
berikut:
a. Kode guru
Nama guru
: GU001
: Reza hakin
Kode Mata pelajaran : MP001
Mata Pelajaran
: Matematika
Jurusan
: OTO
Semester
:I
Kelas
:X
Universitas Sumatera Utara
44
Tabel 3.9. Kode Guru GU001
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
III.
18.30-19.30
IV.
19.30-20.30
V.
20.30-21.30
Senin
(01)
Selasa
(02)
Susi
Raka
b. Kode guru
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Jum’at
(05)
Sabtu
(06)
: GU002
Nama guru
: Mustika Rani
Kode Mata pelajaran : MP002
Mata Pelajaran
: Bahasa inggris
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.10. Kode Guru GU002
Hari
Porsi
Senin
(01)
Selasa
(02)
Cintia
I.
16.30-17.30
Anton
II.
17.30-18.30
Budi
III.
18.30-19.30
IV.
19.30-20.30
V.
20.30-21.30
c. Kode guru
Nama guru
Rabu
(03)
Kamis
(04)
Raka
Susi
: GU003
: Siti Humaira
Universitas Sumatera Utara
45
Kode Mata pelajaran : MP003
Mata Pelajaran
: Bahasa indonesia
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.11. Kode Guru GU003
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
III.
18.30-19.30
IV.
19.30-20.30
V.
20.30-21.30
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Budi
Susi
Cintia
Anton
Raka
d. Kode guru
: GU004
Nama guru
: Raja Jamil
Kode Mata pelajaran : MP004
Mata Pelajaran
: Bahasa Daerah
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.12. Kode Guru GU004
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
III.
18.30-19.30
Senin
(01)
Selasa
(02)
Anton
Cintia
Budi
Susi
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Universitas Sumatera Utara
46
IV.
19.30-20.30
V.
20.30-21.30
Raka
e. Kode guru
Anton
: GU005
Nama guru
: Eka Dinavia
Kode Mata pelajaran : MP005
Mata Pelajaran
: Pendidikan Agama
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.13. Kode Guru GU005
Hari
Porsi
Senin
(01)
Selasa
(02)
Raka
I.
16.30-17.30
Budi
II.
17.30-18.30
Cintia
III.
18.30-19.30
Susi
IV.
19.30-20.30
V.
20.30-21.30
f. Kode guru
Nama guru
Rabu
(03)
Anton
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Budi
: GU006
: Ari
Kode Mata pelajaran : MP006
Mata Pelajaran
: Kimia
Jurusan
: OTO
Semester
:I
Kelas
:X
Universitas Sumatera Utara
47
Tabel 3.14. Kode Guru GU006
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
III.
18.30-19.30
IV.
19.30-20.30
Senin
(01)
Selasa
(02)
Cintia
Susi
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Jum’at
(05)
Sabtu
(06)
Raka
V. 20.30-21.30
g. Kode guru
: GU007
Nama guru
: Bernard
Kode Mata pelajaran : MP007
Mata Pelajaran
: Fisika
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.15. Kode Guru GU007
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
III.
18.30-19.30
IV.
19.30-20.30
V.
20.30-21.30
Senin
(01)
h. Kode guru
Nama guru
Selasa
(02)
Rabu
(03)
Kamis
(04)
Budi
Cintia
Anton
: GU008
: Cici
Universitas Sumatera Utara
48
Kode Mata pelajaran : MP008
Mata Pelajaran
: Komputer
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.16. Kode Guru GU008
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Susi
Raka
Jum’at
(05)
Sabtu
(06)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
i. Kode guru
: GU009
Nama guru
: Dwi
Kode Mata pelajaran : MP009
Mata Pelajaran
: Seni Budaya
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.17. Kode Guru GU009
Hari
Porsi
I.
16.30-17.30
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Cintia
Universitas Sumatera Utara
49
II. 17.30-18.30
III. 18.30-19.30
Anton
IV. 19.30-20.30
Budi
V. 20.30-21.30
j. Kode guru
: GU010
Nama guru
: Eli
Kode Mata pelajaran : MP010
Mata Pelajaran
: Sejarah
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.18. Kode Guru GU010
Hari
Porsi
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
I. 16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
Anton
Susi
IV.19.30-20.30
Raka
V. 20.30-21.30
k. Kode guru
Nama guru
: GU011
: Fadly
Kode Mata pelajaran : MP001
Mata Pelajaran
: Matematika
Jurusan
: OTO
Universitas Sumatera Utara
50
Semester
: III
Kelas
: XI
Tabel 3.19. Kode Guru GU011
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
III.
18.30-19.30
IV.
19.30-20.30
V.
20.30-21.30
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Cintia
Budi
l. Kode guru
Susi
: GU012
Nama guru
: Gandi
Kode Mata pelajaran : MP012
Mata Pelajaran
: Bahasa Inggris
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.20. Kode Guru GU012
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
Raka
Anton
Universitas Sumatera Utara
51
m. Kode guru
: GU013
Nama guru
: Hari
Kode Mata pelajaran : MP013
Mata Pelajaran
: BahasaIndonesia
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.21. Kode Guru GU013
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
Susi
III. 18.30-19.30
Budi
Cintia
Raka
IV. 19.30-20.30
V. 20.30-21.30
n. Kode guru
: GU014
Nama guru
: Izul
Kode Mata pelajaran : MP014
Mata Pelajaran
: Bahasa daerah
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.22. Kode Guru GU014
Hari
Senin
Selasa
Rabu
Kamis
Jum’at
Sabtu
Universitas Sumatera Utara
52
(01)
Porsi
I.
(02)
(03)
(04)
(05)
(06)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
Anton
Budi
IV. 19.30-20.30
V. 20.30-21.30
o. Kode guru
: GU015
Nama guru
: Jaja
Kode Mata pelajaran : MP015
Mata Pelajaran
: Pendidikan Agama
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.23. Kode Guru GU015
Hari
Porsi
I.
Senin
(01)
16.30-17.30
Selasa
(02)
Rabu
(03)
Cintia
Kamis
(04)
Susi
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
p. Kode guru
Nama guru
: GU016
: Kenanga
Kode Mata pelajaran : MP016
Universitas Sumatera Utara
53
Mata Pelajaran
: Kimia
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.24. Kode Guru GU016
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
Anton
Cintia
Raka
Budi
V. 20.30-21.30
q. Kode guru
: GU017
Nama guru
: Luban
Kode Mata pelajaran : MP017
Mata Pelajaran
: Fisika
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.25. Kode Guru GU017
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Raka
Susi
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
Universitas Sumatera Utara
54
IV. 19.30-20.30
Anton
V. 20.30-21.30
Budi
r. Kode guru
: GU018
Nama guru
: Mirna
Kode Mata pelajaran : MP018
Mata Pelajaran
: komputer
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.26. Kode Guru GU018
Hari
Porsi
I.
16.30-17.30
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Raka
Cintia
II. 17.30-18.30
III. 18.30-19.30
Susi
IV. 19.30-20.30
V. 20.30-21.30
s. Kode guru
Nama guru
: GU019
: Noni
Kode Mata pelajaran : MP019
Mata Pelajaran
: Seni Budaya
Jurusan
: OTO
Semester
: III
Universitas Sumatera Utara
55
Kelas
: XI
Tabel 3.27. Kode Guru GU019
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
Anton
t. Kode guru
: GU020
Nama guru
: Oka
Kode Mata pelajaran : MP001
Mata Pelajaran
: Sejarah
Jurusan
: OTO
Semester
: III
Kelas
: XI
Tabel 3.28. Kode Guru GU020
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Cintia
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
u. Kode guru
Budi
: GU021
Universitas Sumatera Utara
56
Nama guru
: Patrick
Kode Mata pelajaran : MP021
Mata Pelajaran
: Matematika
Jurusan
: OTO
Semester
:V
Kelas
: XII
Tabel 3.29. Kode Guru GU021
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
Anton
III. 18.30-19.30
Budi
IV. 19.30-20.30
Raka
V. 20.30-21.30
Susi
v. Kode guru
: GU022
Nama guru
: Qila
Kode Mata pelajaran : MP022
Mata Pelajaran
: Bahasa Inggris
Jurusan
: OTO
Semester
:V
Kelas
: XII
Tabel 3.30. Kode Guru GU022
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
Universitas Sumatera Utara
57
II. 17.30-18.30
Cinntia
III. 18.30-19.30
Susi
IV. 19.30-20.30
V. 20.30-21.30
Raka
w. Kode guru
: GU023
Nama guru
: Rara
Kode Mata pelajaran : MP023
Mata Pelajaran
: Bahasa Indonesia
Jurusan
: OTO
Semester
:V
Kelas
: XII
Tabel 3.31. Kode Guru GU023
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
16.30-17.30
II. 17.30-18.30
III. 18.30-19.30
Budi
Anton
IV. 19.30-20.30
V. 20.30-21.30
x. Kode guru
Nama guru
Cintia
: GU024
: Sandi
Kode Mata pelajaran : MP024
Mata Pelajaran
: Bahasa Daerah
Jurusan
: OTO
Semester
:V
Universitas Sumatera Utara
58
Kelas
: XI
Tabel 3.32. Kode Guru GU024
Hari
Porsi
I.
16.30-17.30
II.
17.30-18.30
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
Jum’at
(05)
Sabtu
(06)
Jum’at
(05)
Sabtu
(06)
Susi
III. 18.30-19.30
IV. 19.30-20.30
V. 20.30-21.30
y. Kode guru
: GU025
Nama guru
: Tuti
Kode Mata pelajaran : MP025
Mata Pelajaran
: Pendidikan Agama
Jurusan
: OTO
Semester
:I
Kelas
:X
Tabel 3.33. Kode Guru GU025
Hari
Porsi
I.
Senin
(01)
Selasa
(02)
Rabu
(03)
Kamis
(04)
16.30-17.30
II. 17.30-18.30
Raka
III. 18.30-19.30
Anton
IV. 19.30-20.30
V. 20.30-21.30
Universitas Sumatera Utara
59
3.3.5
Pembangkitan Populasi Awal
Pada proses pembangkitan populasi awal dilakukan dengan membangkitan
populasi penelitian yakni kesiapan guru untuk memberikan materi E-learning pada
siswa yang telah diinisialisasi. Populasi awal dibangkitkan secara acak dalam arti
setiap kromosom boleh ditampilkan tanpa urutan yang ditentukan dengan tidak
memperhatikan kesiapan mengajar, admin tersedia, kesiapan hari dan kesiapan
shift. Pembangkitan populasi awal dapat digambarkan dalam tabel berikut:
Tabel 3.34. Pembangkitan Populasi Awal
Kode
Guru
Nama
Guru
Kode
Mapel
Mapel
Juru
san
Se Admin
me
ster
Hari
Shift
GU001
Reza
Hakin
Reza
Hakin
Mustika
Rani
Mustika
Rani
Mustika
Rani
Mustika
Rani
Mustika
Rani
Siti
Humaira
Siti
Humaira
Siti
Humaira
Siti
Humaira
Siti
Humaira
Raja
Jamil
Raja
MP001
Matematika
OTO
1
Susi
I
MP001
Matematika
OTO
1
Raka
MP002
Bahasa
Inggris
Bahasa
Inggris
Bahasa
Inggris
Bahasa
Inggris
Bahasa
Inggris
Bahasa
Indonesia
Bahasa
Indonesia
Bahasa
Indonesia
Bahasa
Indonesia
Bahasa
Indonesia
Bahasa
daerah
Bahasa
OTO
1
Anton
OTO
1
Budi
OTO
1
Cintia
OTO
1
Susi
OTO
1
Raka
OTO
1
Anton
OTO
1
Budi
OTO
1
Cintia
OTO
1
Susi
OTO
1
Raka
OTO
1
Anton
OTO
1
Budi
Senin
(1)
Selasa
(2)
Senin
(1)
Senin
(1)
Selasa
(2)
Selasa
(2)
Kamis
(4)
Selasa
(2)
Rabu
(3)
Rabu
(3)
Kamis
(4)
Sabtu
(6)
Senin
(1)
Senin
GU001
GU002
GU002
GU002
GU002
GU002
GU003
GU003
GU003
GU003
GU003
GU004
GU004
MP002
MP002
MP002
MP002
MP003
MP003
MP003
MP003
MP003
MP004
MP004
I
I
II
I
III
II
IV
I
III
II
V
I
III
Universitas Sumatera Utara
60
GU006
Jamil
Raja
Jamil
Raja
Jamil
Raja
Jamil
Raja
Jamil
Eka
Dinavia
Eka
Dinavia
Eka
Dinavia
Eka
Dinavia
Eka
Dinavia
Eka
Dinavia
Ari
MP006
daerah
Bahasa
daerah
Bahasa
daerah
Bahasa
daerah
Bahasa
daerah
Pendidikan
Agama
Pendidikan
Agama
Pendidikan
Agama
Pendidikan
Agama
Pendidikan
Agama
Pendidikan
Agama
Kimia
GU006
Ari
MP006
Kimia
OTO
1
Susi
GU006
Ari
MP006
Kimia
OTO
1
Raka
GU007
Bernard
MP007
Fisika
OTO
1
Anton
GU007
Bernard
MP007
Fisika
OTO
1
Budi
GU007
Bernard
MP007
Fisika
OTO
1
Cintia
GU008
Cici
MP008
Komputer
OTO
1
Susi
GU008
Cici
MP008
Komputer
OTO
1
Raka
GU009
Dwi
MP009
Seni Budaya
OTO
1
Anton
GU009
Dwi
MP009
Seni Budaya
OTO
1
Budi
GU009
Dwi
MP009
Seni Budaya
OTO
1
Cintia
GU010
Eli
MP010
Sejarah
OTO
1
Susi
GU010
Eli
MP010
Sejarah
OTO
1
Raka
GU004
GU004
GU004
GU004
GU005
GU005
GU005
GU005
GU005
GU005
MP004
MP004
MP004
MP004
MP005
MP005
MP005
MP005
MP005
MP005
OTO
1
Cintia
OTO
1
Susi
OTO
1
Raka
OTO
1
Anton
OTO
1
Budi
OTO
1
Cintia
OTO
1
Susi
OTO
1
Raka
OTO
1
Anton
OTO
1
Budi
OTO
1
Cintia
(1)
Selasa
(2)
Selasa
(2)
Kamis
(4)
Sabtu
(6)
Senin
(1)
Senin
(1)
Senin
(1)
Selasa
(2)
Rabu
(3)
Sabtu
(6)
Senin
(1)
Selasa
(2)
Kamis
(4)
Selasa
(2)
Rabu
(3)
Kamis
(4)
Rabu
(3)
Kamis
(4)
Jum’at
(5)
Jum’at
(5)
Sabtu
(6)
Selasa
(2)
Rabu
(3)
I
III
IV
IV
I
II
III
I
V
V
II
II
III
IV
II
II
III
III
III
IV
I
III
IV
Universitas Sumatera Utara
61
GU010
Eli
MP010
Sejarah
OTO
1
Anton
GU011
Fadly
MP001
Matematika
OTO
III
Budi
GU011
Fadly
MP001
Matematika
OTO
III
Cintia
GU011
Fadly
MP001
Matematika
OTO
III
Susi
GU012
Gamdi
MP002
OTO
III
Raka
GU012
Gamdi
MP002
OTO
III
Anton
GU013
Hari
MP003
OTO
III
Budi
GU013
Hari
MP003
OTO
III
Cintia
GU013
Hari
MP003
OTO
III
Susi
GU013
Hari
MP003
OTO
III
Raka
GU014
Izul
MP004
OTO
III
Anton
GU014
Izul
MP004
OTO
III
Budi
GU015
Jaja
MP005
OTO
III
Cintia
GU015
Jaja
MP005
OTO
III
Susi
GU016
Kenanga
MP006
Bahasa
Inggris
Bahasa
Inggris
Bahssa
Indonesia
Bahssa
Indonesia
Bahssa
Indonesia
Bahssa
Indonesia
Bahasa
Daerah
Bahasa
Daerah
Pendidikan
Agama
Pendidikan
Agama
Kimia
OTO
III
Raka
GU016
Kenanga
MP006
Kimia
OTO
III
Anton
GU016
Kenanga
MP006
Kimia
OTO
III
Budi
GU016
Kenanga
MP006
Kimia
OTO
III
Cintia
GU017
Luban
MP007
Fisika
OTO
III
Susi
GU017
Luban
MP007
Fisika
OTO
III
Raka
GU017
Luban
MP007
Fisika
OTO
III
Anton
GU017
Luban
MP007
Fisika
OTO
III
Budi
GU018
Mirna
MP008
Komputer
OTO
III
Cintia
GU018
Mirna
MP008
Komputer
OTO
III
Susi
Kamis
(4)
Senin
(1)
Rabu
(3)
Jumat
(5)
Senn
(1)
Jumat
(5)
Senin
(1)
Selasa
(2)
Kamis
(4)
Sabtu
(6)
Selasa
(2)
Kamis
(4)
Rabu
(3)
Sabtu
(6)
Senn
(1)
Selasa
(2)
Kamis
(4)
Sabtu
(6)
Selasa
(2)
Rabu
(3)
Kamis
(4)
Sabtu
(6)
Senin
(1)
Selasa
II
IV
II
IV
V
V
III
III
II
III
III
III
I
I
IV
III
IV
III
II
II
IV
V
I
III
Universitas Sumatera Utara
62
GU018
Mirna
MP008
Komputer
OTO
III
Raka
GU019
Noni
MP009
Seni Budaya
OTO
III
Anton
GU020
Oka
MP010
Sejarah
OTO
III
Budi
GU020
Oka
MP010
Sejarah
OTO
III
Cintia
GU021
Patrick
MP001
Matematika
OTO
V
Susi
GU021
Patrick
MP001
Matematika
OTO
V
Raka
GU021
Patrick
MP001
Matematika
OTO
V
Anton
GU021
Patrick
MP001
Matematika
OTO
V
Budi
GU022
Qila
MP002
OTO
V
Cintia
GU022
Qila
MP002
OTO
V
Susi
GU022
Qila
MP002
OTO
V
Raka
GU023
Rara
MP003
OTO
V
Anton
GU023
Rara
MP003
OTO
V
Budi
GU023
Rara
MP003
OTO
V
Cintia
GU024
Sandi
MP004
OTO
V
Susi
GU025
Tuti
MP005
OTO
V
Raka
GU025
Tuti
MP005
Bahasa
Inggris
Bahasa
Inggris
Bahasa
Inggris
Bahasa
Indonesia
Bahasa
Indonesia
Bahasa
Indonesia
Bahasa
daerah
Pendidikan
Agama
Pendidikan
Agama
OTO
V
Anton
3.3.6
(2)
Rabu
(3)
Rabu
(3)
Selasa
(2)
Kamis
(4)
Senin
(1)
Selasa
(2)
Kamis
(4)
Jumat
(5)
Senin
(1)
Rabu
(3)
Sabtu
(6)
Senin
(1)
Rabu
(3)
Rabu
(3)
Kamis
(4)
Sabtu
(6)
Sabtu
(6)
I
V
V
II
V
IV
II
III
II
III
V
III
II
V
I
II
III
Evaluasi
Proses selanjutnya setelah pembangkitan awal populasi adalah proses
evaluasi, dimana kesiapan guru dalam memberikan materi pada E-learning yang
dibangkitkan diatas dievaluasi dengan menjumlahkan kesiapan memberikan
materi E-learning guru masing-masing.
Universitas Sumatera Utara
63
Tabel 3.35. Evaluasi
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Kode Guru
GU001
GU002
GU003
GU004
GU005
GU006
GU007
GU008
GU009
GU010
GU011
GU012
GU013
GU014
GU015
GU016
GU017
GU018
GU019
GU020
GU021
GU022
GU023
GU024
GU025
Kode Mapel
MP001
MP002
MP003
MP004
MP005
MP006
MP007
MP008
MP009
MP010
MP001
MP002
MP003
MP004
MP005
MP006
MP007
MP008
MP009
MP010
MP001
MP002
MP003
MP004
MP005
Jumlah Kesiapan
2
5
5
6
6
3
3
2
3
3
3
2
4
2
2
4
4
3
1
2
4
3
3
1
2
Universitas Sumatera Utara
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Penelitian
4.1.1 Optimasi Query
Bahasa query dalam web pembelajaran SMK Barumun adalah sebagai berikut :
SELECT * FROM `tb_admin` WHERE hari=1
SELECT * FROM `tb_guru` WHERE hari=1
SELECT * FROM `tb_matapelajaran` WHERE hari=1
SELECT * FROM `tb_siswa` WHERE hari=1
SELECT * FROM `tb_jadwal` WHERE hari=1
SELECT * FROM `tb_porsi` WHERE hari=1
SELECT * FROM `tb_waktu` WHERE hari=1
Query tersebut meminta semua record dari basis data yang sedang
digunakan. Optimasi query yang dilakukan dalam web pembelajaran ini adalah
sebagai berikut:
Query 1: Untuk setiap pembelajaran yang diberikan pada hari senin, diambil id,
jam, hari, nama guru, kelas, dan mata pelajaran.
Maka dapat digambarkan :
Π PId, jam, hari
: (σPlocation=tb_waktu(PROJECT))
Nguru=Nama_guru(tb_guru) Kkelas=kelas(tb_kelas)
Persamaan ini mengikuti SQL query berikut:
SELECT P.id, N.Nama_guru, K.kelas, N.Jam, N.hari
64
Universitas Sumatera Utara
65
FROM PROJECT AS P, Nama_guru AS N, Kelas AS K
WHERE P.id=N.Nama-Guru AND
N.hari=K.kelas AND P.Location=’tb_waktu’
Maka Proses Parsing nya adalah sebagai berikut :
a. Query tree yang sesuai dengan ekspresi relasi aljabar untuk Optimasi query
dilihat pada gambar 4.1
Π P.Pid, N.nama_guru, K.kelas, N.hari, N.jam
(3)
N.hari=K.kelas σ
(2)
P.ID=N.namaguru (P)
(1)
(K)
σ P.PLOCATION='tb_waktu'
(N)
(P)
Gambar 4.1 Optimasi Query Tree
Universitas Sumatera Utara
66
b. Inisial ( Canonical) query tree untuk SQL query pada optimasi ini dilihat pada
gambar 4.2
Π P.id, P.nama_guru, K.kelas, N.hari, N.jam
σ P.nama_guru=N.nama_guru And K.kelas=N.hari And P.PLocation=’ tb_waktu’
X
X
P
K
N
Gambar 4.2 Inisial Query Tree
Universitas Sumatera Utara
67
c. Query graph untuk optimasi query ini dapat dilihat gambar 4.3
[P.P.id, P.nama_guru]
[N.hari,N.Jam,]
(P)
(D)
(E)
P.PLocation=’tb_waktu’
Tb_waktu
Gambar 4.3 Query Graph
4.1.2
Mutasi Crossover
a. M2S (Modified Two Swap) Crossover
1) Seleksi
Proses setelah evaluasi adalah melakukan rekombinasi dengan mutasi crossover.
Pada metode M2S langkah awal adalah membuat seleksi dimana kesiapan guru
dalam memberikan materi pada E-learning SMK akan dilakukan seleksi
berdasarkan hari dan shift waktu yang telah ditetapkan. Proses seleksi bertujuan
untuk menentukan kesiapan guru mana yang sesuai untuk memberikan materi Elearning pada admin yang tersedia. Seleksi yang penulis gunakan adalah dengan
cara mengurutkan kesiapan guru dalam memberikan materi E-lerning menurut
nilai objektifnya (banyaknya kesiapan guru).
Penerapan untuk contoh dalam proses seleksi diatas, dapat dilihat pada
Tabel di bawah ini, yakni seleksi (1,I) : menampilkan semua kesiapan guru dalam
Universitas Sumatera Utara
68
memberikan materi E-learning dengan hari = senin dan shift = l (16.30-17.30)
yang diurutkan secara naik berdasarkan banyaknya kesiapan guru.
Tabel 4.1 Seleksi M2S Crossover
Kode
Guru
Nama
Guru
Kode
Mapel
Mapel
Juru
san
Se Admin
me
ster
Hari
Shift
Tota
l
Kesi
apan
GU001
Reza
Hakin
Mustika
Rani
Raja
Jamil
Eka
Dinavia
Mirna
MP001
Matematika
OTO
1
Susi
I
2
MP002
Bahasa
Inggris
Bahasa
daerah
Pendidikan
Agama
Komputer
OTO
1
Anton
I
5
OTO
1
Anton
I
6
OTO
1
Budi
I
6
OTO
III
Cintia
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
I
3
GU002
GU004
GU005
GU018
MP004
MP005
MP008
2) Mutasi
Pada metode M2S crossover, dari proses seleksi diatas, diambil kesiapan guru
dalam memberikan materi E-learning sebanyak admin yang tersedia sebagai
penginput data dan akan disimpan pada sebuah tabel jadwal. Proses ini
menyebabkan populasi (kesiapan guru) terhadap admin berkurang menjadi hanya
5 (lima) dan mengalami rekombinasi. Rekombinasi juga terjadi terhadap proses
seleksi untuk hari dan shift berikutnya terhadap kesiapan guru dalam memberikan
materi E-learning (seleksi(l ,II) dan seterusnya). Tabel dibawah ini merupakan
hasil dari mutasi diatas dimana terjadi kesamaan pemberian materi pada satu
admin di hari dan shif yang sama maka dimutasi sehingga terpilih hanya 4 (empat)
populasi saja yang terpilih.
Universitas Sumatera Utara
69
Tabel 4.2 Jadwal Generasi 1 M2S Crossover
Kode
Guru
Nama
Guru
Kode
Mapel
Mapel
Juru
san
Se Admin
me
ster
Hari
Shift
Tota
l
Kesi
apan
GU001
Reza
Hakin
Mustika
Rani
Eka
Dinavia
Mirna
MP001
Matematika
OTO
1
Susi
I
2
MP002
Bahasa
Inggris
Pendidikan
Agama
Komputer
OTO
1
Anton
I
5
OTO
1
Budi
I
6
OTO
III
Cintia
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
I
3
GU002
GU005
GU018
4.1.3
MP005
MP008
CHUNK Crossover
1) Seleksi Chunk
Pada metode Chunk crossover proses setelah evaluasi adalah melakukan
rekombinasi dengan mutasi CHUNK crossover. Pada metode ini langkah awal
adalah membuat seleksi dimana kesiapan guru dalam memberikan materi pada Elearning SMK akan dilakukan seleksi berdasarkan hari yang telah ditentukan dan
semua shift waktu. Proses seleksi ini juga bertujuan untuk menentukan kesiapan
guru mana yang sesuai untuk memberikan materi E-learning pada admin yang
tersedia. Penerapan untuk contoh dalam proses seleksi dengan CHUNK crossover,
dapat dilihat pada Tabel di bawah ini, yakni seleksi (1,) : menampilkan semua
kesiapan guru dalam memberikan materi E-learning dengan hari = senin dan shift
= I - V yang diurutkan secara naik berdasarkan banyaknya kesiapan guru.
Universitas Sumatera Utara
70
Tabel 4.3 Seleksi CHUNK Crossover
Kode
Guru
Nama
Guru
Kode
Mapel
Mapel
Juru
san
Se Admin
me
ster
Hari
Shift
Tota
l
kesi
apan
GU001
MP001
Matematika
OTO
1
Susi
2
MP002
OTO
1
Anton
I
5
OTO
1
Budi
II
5
OTO
1
Anton
I
5
OTO
1
Budi
III
5
OTO
1
Budi
I
6
OTO
1
Cintia
II
6
OTO
1
Susi
III
6
MP006
Bahasa
Inggris
Bahasa
Inggris
Bahasa
daerah
Bahasa
daerah
Pendidikan
Agama
Pendidikan
Agama
Pendidikan
Agama
Kimia
OTO
1
Cintia
II
3
GU011
Fadly
MP001
Matematika
OTO
III
Budi
IV
3
GU012
Gamdi
MP002
OTO
III
Raka
V
2
GU013
Hari
MP003
OTO
III
Budi
III
4
GU016
Kenanga
MP006
Bahasa
Inggris
Bahssa
Indonesia
Kimia
OTO
III
Raka
IV
4
GU018
Mirna
MP008
Komputer
OTO
III
Cintia
I
3
GU021
Patrick
MP001
Matematika
OTO
V
Susi
V
4
GU022
Qila
MP002
OTO
V
Cintia
II
3
GU023
Rara
MP003
Bahasa
Inggris
Bahasa
Indonesia
OTO
V
Anton
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senn
(1)
Senin
(1)
Senn
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
I
GU006
Reza
Hakin
Mustika
Rani
Mustika
Rani
Raja
Jamil
Raja
Jamil
Eka
Dinavia
Eka
Dinavia
Eka
Dinavia
Ari
III
3
GU002
GU002
GU004
GU004
GU005
GU005
GU005
MP002
MP004
MP004
MP005
MP005
MP005
Universitas Sumatera Utara
71
2) Mutasi Chunk crossover
Pada metode Chunk crossover, dari proses seleksi diatas, diambil kesiapan guru
dalam memberikan materi E-learning kepada admin sebanyak admin yang tersedia
sebagai penginput data dan akan disimpan pada sebuah tabel jadwal. Proses ini
menyebabkan populasi (kesiapan guru) memebrikan materi kepada admin dari
tabel diatas berkurang menjadi 17 (tujug belas) populasi dan mengalami
rekombinasi. Rekombinasi juga terjadi terhadap proses seleksi untuk hari dan shift
berikutnya terhadap kesiapan guru dalam memberikan materi E-learning (seleksi(l
,II) dan seterusnya). Dalam tabel dibawah ini terlihat proses mutasi dimana
kesiapan guru memberikan materi kepada admin dipilih menjadi 13 populasi yang
terseleksi di generasi 1.
Tabel 4.4 Jadwal Generasi 1 Chunk Crossover
Kode
Guru
Nama
Guru
Kode
Mapel
Mapel
Juru
san
Se Admin
me
ster
Hari
Shift
Tota
l
kesi
apan
GU001
Reza
Hakin
Mustika
Rani
Eka
Dinavia
Mirna
MP001
Matematika
OTO
1
Susi
I
2
MP002
Bahasa
Inggris
Pendidikan
Agama
Komputer
OTO
1
Anton
I
5
OTO
1
Budi
I
6
OTO
III
Cintia
I
3
Mustika
Rani
Eka
Dinavia
Raja
Jamil
Eka
Dinavia
Rara
MP002
Bahasa
Inggris
Pendidikan
Agama
Bahasa
daerah
Pendidikan
Agama
Bahasa
Indonesia
OTO
1
Budi
II
5
OTO
1
Cintia
II
6
OTO
1
Budi
III
5
OTO
1
Susi
III
6
OTO
V
Anton
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
Senin
(1)
III
3
GU002
GU005
GU018
GU002
GU005
GU004
GU005
GU023
MP005
MP008
MP005
MP004
MP005
MP003
Universitas Sumatera Utara
72
GU011
Fadly
MP001
Matematika
OTO
III
Budi
GU016
Kenanga
MP006
Kimia
OTO
III
Raka
GU012
Gamdi
MP002
OTO
III
Raka
GU021
Patrick
MP001
Bahasa
Inggris
Matematika
OTO
V
Susi
4.2
Senin
(1)
Senn
(1)
Senn
(1)
Senin
(1)
IV
3
IV
4
V
2
V
4
Pembahasan Hasil Pengujian
Sesuai rancangan penelitian yang penulis lakukan dengan menguji hasil optimasi
query database dalam web pembelajaran SMK N 1 Barumun dan untuk
menganalisa perbandingan antara optimasi dengan metode M2S Crossover dan
optimasi dengan metode CHUNK Crossover dengan parameter-parameter sebagai
berikut:
Ukuran populasi
=
50
Maksimum generasi
=
100
Probabilitas crossover (Pc)
=
10,20,30,40,50
Probabilitas mutasi (Pm) =
7
Dengan hasil pengujian sebagai berikut:
Hasil pengujian lengkap perbandingan metode M2S crossover dengan CHUNKs
crossover dijelaskan dalam tabel berikut:
Tabel 4.5 Hasil Pengujan M2S Crossover
Probabilitas
Crossover
10
Kromosom
yang
dibangkitkan
50
Maksimum
Generasi
Probability
Mutasi
Fitness
100
7
1,570
20
50
100
7
1,419
30
50
100
7
1,668
Universitas Sumatera Utara
73
40
50
100
7
1,915
50
50
100
7
2,082
Fitness Rata-rata
1,7308
Tabel 4.6 Hasil Pengujan CHUNK Crossover
Probabilitas
Crossover
10
Kromosom
yang
dibangkitkan
50
Maksimum
Generasi
Probability
Mutasi
Akumuatif
Fitness
100
7
1,530
20
50
100
7
1,316
30
50
100
7
1,915
40
50
100
7
1,292
50
50
100
7
1,575
Fitness rata-rata
1,5256
Berdasarkan hasil pengujian pada tabel diatas dapat dilihat bahwa nilai
fitness pengujian dengan metode M2S cross over adalah lebih tinggi pada setiap
probability crossovernya yakni pada nilai probabilitas 10, 20, 30, 40 dan 50
dibanding dengan CHUNK crossover, dimana masing-masing kromosom yang
dibangkitkan 50 dan maksimum generasi 100. Nilai fitness tertinggi pada metode
m2s adalalah pada probabilitas 50 dengan nilai fitness 2,082. Sedangkan pada
metode CHUNK, nilai fitness tertinggi ada pada probabilitas 30 dengan nilai
fitness 1,915. Nilai fitness rata-rata pada probabilitas 10,20,30,40 dan 50 untuk
metode M2S adalah 1,7308. Sedangan nilai fitness rata-rata untuk metode
CHUNK cross over adalah 1,5256. Sehingga selisih fitness rata-rata metode M2S
lebih baik senilai 0,2052 dibanding metode CHUNK Crossover.
Universitas Sumatera Utara
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil penelitian dan analisa pembahasan yang peneliti lakukan, maka
dapat ditarik kesimpulan sebagai berikut:
1. Optimasi query database web E-learning SMK Baramun adalah memindahkan
tiap operasi SELECT sejauh mungkin ke bawah query tree selama
diperbolehkan oleh attribute-attribute dalam kondisi SELECT
2. Optimasi query database dalam web pembelajaran SMK N 1 Barumun dapat
meningkatkan performa aplikasi dengan nilai optimum dan tidak membutuhkan
banyak iterasi.
3. Metode terbaik untuk permasalahan optimasi query database web SMK
Barumun pada percobaan yang dilakukan
antara Metode M2S crossover
dengan CHUNK crossover adalah metode M2S crossover dengan nilai fitness
yang lebih tinggi dan waktu yang lebih cepat.
5.2 Saran
Dari penelitian yang telah dilakukan oleh peneliti, maka saran-saran yang bisa
diberikan adalah:
1. Diharapkan setiap database pada web sekolah dilakukan optimasi.
2. Sebaiknya metode optimasi yang digunakan menggunakan metode M2S
crossover karena hasilnya lebih baik daripada Chunk crossover
74
Universitas Sumatera Utara
75
3. Bagi peneliti lain, kiranya dapat dilakukan lagi penelitian sejenis yakni tentang
optimasi database dengan metode optimasi lainnya sebagai perbandingan
dengan penelitian ini.
Universitas Sumatera Utara