Perbandingan Model Algoritma Particle Swarm Optimization Dan Algoritma Genetika Pada Penjadwalan Perkuliahan

ABSTRAK

Pada penelitian ini dibahas penggunaan model algoritma particle swarm optimization
dan algoritma genetika pada kasus penjadwalan perkuliahan. Penelitian ini bertujuan
untuk mengetahui tingkat kestabilan (stability) algoritma particle swarm optimization
dan algoritma genetika dalam mencapai generasi (iterasi) terbaik, kemudian
menganalisis proses kerja algoritma particle swarm optimization dan algoritma
genetika terhadap penjadwalan perkuliahan. Berdasarkan hasil penelitian maka didapat
bahwa cara kerja algoritma genetika lebih stabil dalam mendapatkan generasi (iterasi)
terbaik dibandingkan dengan algoritma particle swarm optimization . Pada algoritma
PSO solusi yang didapatkan dalam mencapai nilai fitness terbaik pada saat stabil dalam
setiap iterasinya membutuhkan waktu yang lebih lama, karena semakin besar
iterasinya maka akan semakin lama pula waktu yang dibutuhkan. Penjadwalan yang
dihasilkan diharapkan memenuhi 5 kriteria yakni: 1. Tersedianya ruangan untuk setiap
perkuliahan, 2. Apakah ruangan yang tersedia memenuhi kapasitas jumlah mahasiswa
yang akan mengikuti perkuliahan atau tidak, 3. Tersedianya laboratorium untuk setiap
perkuliahan yang memerlukan laboratorium, 4. Tidak terjadi tabrakan jadwal pengajar
(seorang pengajar tidak diijinkan memiliki lebih dari satu perkuliahan pada hari dan jam
yang sama), 5. Tidak terjadi tabrakan jadwal mahasiswa pada setiap perkuliahan
(mahasiswa tidak diijinkan memiliki lebih dari satu perkuliahan pada hari dan jam yang
sama).

Kata kunci: Algoritma Particle Swarm Optimization, Algoritma Genetika, Penjadwalan
Perkuliahan

viii

COMPARISON MODEL THE PARTICLE SWARM OPTIMIZATION
ALGORITHM AND GENETIC ALGORITHM
AT THE LECTURING SCHEDULING

ABSTRACT

At this research is studied by using of model particle swarm optimization algorithm and genetic
algorithm at case of lecturing scheduling. This research aim to know the level stability of

particle swarm optimization algorithm and genetic algorithm in reaching of the best
generation (iteration), then analyse the work process of the particle swarm optimization
algorithm and genetic algorithm to lecturing scheduling. Base on research result is got
that way of job genetic algorithm more stable in getting the best generation (iteration) than
particle swarm optimization algorithm. At particle swarm optimization algorithm, got solution

in reaching the best value fitness in each iteration require the longer time, because the greater
becomes of iteration so will longer time is required. The scheduling result to be expected to
fulfill 5 criterion that is: 1. The available of rooms to each lecturing, 2. Whether available
rooms fulfill the capacities sum up the student to follow the lecturing or not, 3. The available
of laboratory to each lecturing needing laboratory, 4. Is not happened by the collision of
instructor schedule (a instructor is not permitted to own more than one lecturing on and same
clock), 5. Is not happened by the collision of student schedule in each lecturing ( student is not
permitted to own more than one lecturing on and same clock).

Keyword: Particle Swarm Optimization Algorithm, Genetic Algorithm, Lecturing
Scheduling.

ix