Implementasi Dua Model Crossover Pada Algoritma Genetika Untuk Optimasi Penggunaan Ruang Perkuliahan

Abstract

The lecture mapping process is often hampered by the number and capacity of rooms, this condition often occurs because of the many obstacles that must be fulfilled. For example, there are courses offered in one semester that cannot be slots in space and time and the lecturer can teach at the same time for different courses. This is experienced by the Informatics Engineering Study Program of the Faculty of Mathematics and Natural Sciences, Udayana University, which offers a fairly large subject in each semester, causing optimization of the lecture space to often experience problems. The Genetic Algorithm (GA) is a model in the optimization of lecture space based on the natural selection mechanism through; coding problem, generate initial population, calculate fitness value, selection, crossover, mutation and optimal population. In this research, the optimization process implements two crossover models in the genetic algorithm, namely the n-point crossover and the cycle crossover. Based on the research that has been carried out, two crossover models provide optimal space usage mapping. From testing the n-point crossover model system gives the best fitness 1 in the 361 generation with a computation time of 11.08 while the cycle crossover model produces the best fitness 1 in the 361 generation with a computation time of 15.08.

Penerapan Algoritma Genetika Dalam Penjadwalan Mata Pelajaran

“…Mutasi dalam genetika adalah suatu proses yang mengubah secara acak beberapa gen dalam kromosom. Tujuan utama dari mutasi adalah untuk menciptakan variasi genetik baru dalam populasi, sehingga memungkinkan untuk mengeksplorasi lebih jauh dan memperluas ruang solusi (Supriana et al, 2021). Dengan adanya variasi genetik baru, proses konvergensi ke nilai atau kondisi yang sama atau serupa dapat dicegah (Hidayat et al, 2019).…”

“…Parameter-parameter ini mencakup jumlah generasi, jumlah populasi awal, jumlah seleksi yang digunakan, serta nilai probabilitas crossover dan mutasI (Supriana et al, 2021). Dengan menggunakan teknik pengujian sensitivitas, penelitian ini dapat mengeksplorasi berbagai variasi parameter dalam algoritma genetika dan menganalisis pengaruh perubahan tersebut terhadap jadwal yang dihasilkan.…”

Penerapan Algoritma Genetika Untuk Penjadwalan Mata Pelajaran Di SMK Negeri 1 Kota Tambolaka

“…Mutasi pada algoritma genetika merupakan suatu proses mengubah secara random gen pada kromoson dengan tujuan untuk diperoleh variasi genetik yang baru pada populasi sehingga dapat memungkinkan untuk megeksplor lebih jauh serta memperluas ruang pemecahan masalah [10].…”

Optimization of Access Point Arrangement and Placement in the Indoor Room of SMP Negeri 6 Salatiga Using Genetic Algorithm

“…[12]. Algoritma genetika telah terbukti dapat digunakan untuk berbagai macam kasus, seperti prediksi, klasifikasi [13], maupun optimasi [14], [15].…”