jurusan teknik informatika fakultas teknik … · yang bercirikan kelompok praktikum mendatangi...

i

DESAIN DAN IMPLEMENTASI ALGORITMA GENETIKA

UNTUK PROGRAM PENJADWALAN “COASS”

(Studi Kasus Lembaga Kepaniteraan FK. UMM)

TUGAS AKHIR

Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1

Teknik Informatika Universitas Muhammadiyah Malang

Oleh:

Ali Muhammad

09560322

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS MUHAMMADIYAH MALANG

2013

ii

LEMBAR PERSETUJUAN

Desain Dan Implementasi Algoritma Genetika Untuk Program

Penjadwalan “COASS”


TUGAS AKHIR



Menyetujui,

Pembimbing I Pembimbing II

Ir. Nur Alif Mardiyah, MT Yufis Azhar, SKom

NIP: 108.9203.0255 NIP: 108.0907.0477

iii

LEMBAR PENGESAHAN

Desain Dan Implementasi Algoritma Genetika Untuk Program

Penjadwalan “COASS”


TUGAS AKHIR



Disusun Oleh:

Ali Muhammad

09560322

Tugas akhir ini telah diuji dan dinyatakan lulus melalui sidang majelis pengujian

pada tanggal 24 – April – 2013. 2012

Menyetujui,

Mengetahui,

Ketua Jurusan Teknik Informatika

Eko Budi Cahyono, S.Kom, MT

Penguji I

Yuda Munarko, S.Kom, M.Sc.

NIP. 108.9504.0330

Penguji II

Wahyu Andhyka, S.Kom.

S.Kom

iv

LEMBAR PERNYATAAN

Yang bertanda tangan dibawah ini :

NAMA : ALI MUHAMMAD

NIM : 09560322

FAK./JUR. : TEKNIK/INFORMATIKA

Dengan ini saya menyatakan bahwa Tugas Akhir dengan judul “Desain dan

Implementasi Algoritma Genetika Pada Penjadwalan “COASS” (Studi Kasus

Lembaga Kepaniteraan FK. UMM)” beserta seluruh isinya adalah karya saya

sendiri dan bukan merupakan karya Skripsi atau Tugas Akhir orang lain, baik

sebagian maupun seluruhnya, kecuali dalam bentuk kutipan yang telah disebutkan

sumbernya.

Demikian surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila

kemudian ditemukan ditemukan adanya pelanggaran terhadap etika keilmuan

dalam karya saya ini, atau ada klaim dari pihak lain terhadap keaslian karya saya

ini maka saya siap menanggung segala bentuk resiko/sanksi yang berlaku.

Malang, 24 April 2013

Mengetahui,

Dosen Pembimbing Yang Membuat Pernyataan

Ir. Nur Alif Mardiyah, MT Ali Muhammad

NIP :10892030257 NIM:09560322

viii

KATA PENGANTAR

Dengan Memanjatkan berbagai puji dan syukur kehadirat Allah SWT.

Atas limpahan rahmat dan hidayah-NYA sehingga penulis bisa menyelesaikan

tugas akhir yang berjudul : “DESAIN DAN IMPLEMENTASI ALGORITMA

GENETIKA UNTUK PROGRAM PENJADWALAN “COASS” (Studi Kasus

Lembaga Kepaniteraan FK. UMM)”

Didalam tulisan ini disajikan pokok-pokok bahasan yang meliputi

pendahuluan, dasar teori, perancangan sistem, pengujian, analisa sistem, serta

kesimpulan.

Penulis menyadari sepenuhnya bahwa dalam penulisan tugas akhir ini

masih banyak sekali kekurangan dan keterbatasan. Oleh karena itu peneliti

mengharap saran serta kritik yang membangun agar tulisan ini bermanfaat bagi

perkembangan ilmu pengetahuan kedepan.

Malang, 24 April 2013

Penulis

v

ABSTRAK

Menyusun jadwal Coass (Coordinator-Assistant) merupakan salah satu

kegiatan rutin yang harus dilakukan oleh Fak. Kedokteran. Menyusun jadwal

coass memerlukan ketelitian, ketelatenan dan banyak menyita waktu. Terlebih

lagi sejak praktek coass ini bersifat moving laboratorium. Yaitu sistem praktek

yang bercirikan kelompok praktikum mendatangi ruang dimana praktek coass

tersebut dilaksanakan. Sehingga membuat jadwal coass akan lebih rumit daripada

jadwal yang lainnya karena harus memperhatikan bidang kepaniteraan, dosen dan

ruang untuk menghindari bentrok pada penjadwalan.

Oleh karena itu pada penelitian ini akan dicoba membuat aplikasi yang

dapat mempermudah dalam menyusun jadwal coass dengan mengimple-

mentasikan algoritma genetika. Keuntungan penggunaan algoritma genetika

adalah dari kemudahan implementasi, sehingga kemampuannya untuk

menemukan solusi yang bagus dan cepat untuk masalah-masalah berdimensi

tinggi.

Berdasarkan uji coba yang dilakukan pada aplikasi penjadwalan coass

dengan algoritma genetika dapat disimpulkan bahwa semakin banyak jumlah data

dan persyaratan yang harus dipenuhi maka akan semakin besar juga jumlah

generasi dan semakin lama waktu yang dibutuhkan. Dari hasil pengujian

menggunakan pemberhentian jika pada 1000 kali generasi tidak terdapat

perbaikan nilai fitness atau jika semua constraint telah terpenuhi digunakan

perbandingan data ujicoba populasi sebanyak 5 populasi, 30 populasi dan 50

populasi, dengan perbandingan data crossover masing-masing bernilai crossover

0.001, crossover 0.01 dan crossover 1, sedangkan peluang mutasi yang diujikan

dengan nilai mutasi 0.001, mutasi 0.01 dan mutasi 1. Sehingga didapatkan

parameter algoritma genetika terbaik dengan jumlah populasi terbaik 5, peluang

crossover 0.01 dan mutasi 0.001 untuk waktu komputasi yang optimal

Kata Kunci : Algoritma Genetika, Penjadwalan, Coass (Coordinator-Assistant).

vi

ABSTRACT

Arranging Coass (Coordinator-Assistant) schedulling is one of the Medical

Faculty routines activity. It needs throughness, patience and takes a lot of time.

Ekspecially in coass practice of a profession has applied moving laboratory. It’s

kind of practice process that demanded the students to come to certain laboratory

room based on the practice of a profession they would have. Of course the making

of coass schedule more complicated than other schedule because we have to

classify field of secretariat, lucture and room to avoid the overlapping schedule.

Because of that this research try to make application that can make the

arrangement of coass schedule easier by implemented genetics algorithm. The

benefits of this method are the easiness of the implementation, the ability to find

the best and fast solution for high dimention problem.

Based on the genetics algorithm has been done trial in coass schedulling

application could be concluded that the more data and the more requirements used

in this case would make the more generation amount and of course the more time

would be needed. The population test results using dismissal if on the 1000

generation times not be able to repairing fitness value or if all constraint has been

compiled used experimental data comparing population of 5 populations, 30

populations and 50 populations, with a crossover comparison of data each worth

crossover 0.001, crossover 0.01 and crossover 1, while the chances of a mutation

that tested the value of 0.001 mutations, 0.01 mutations and 1 mutations. So get

the best parameters of a genetic algorithm with a population chances crossover

0.01 and mutation 0.001 for optimation computing quality time.

Keywords : genetich algorithm, schedulling, coass (coordinator-assistant).

vii

LEMBAR PERSEMBAHAN

Puji syukur kepada Allah Swt atas rahmat dan karunianya, sehinnga

penulis dapat menyelesaikan tugas akhir ini. Dalam penyusunan skripsi ini, tidak

lepas dari bimbingan dan dorongan berbagai pihak. Oleh karena itu, penyusun

menyamaikan terima kasih yang sebesar-besarnya kepada :

1. Bapak Rektor Universitas Muhammadiyah Malang.

2. Dekan Fakultas Teknik Universitas Muhammadiyah Malang.

3. Dekan Fakultas Kesehatan Universitas Muhammadiyah Malang.

4. Ketua Jurusan dan Dosen Teknik Informatika Universitas Muhammadiyah

Malang.

5. Ir. Nur Alif Mardiyah, MT. dan Yufis Azhar, S.Kom selaku pembimbing

tugas akhir.

6. Kedua Orang Tua yang telah memberi banyak do’a, amanah, motifasi dan

dukungan.

7. Kakak-kakakku yang telah memberi banyak do’a, motifasi, dukungan dan

harapan.

8. Seluruh rekan-rekan Fakultas Teknik Informatika Universitas

Muhammadiyah Malang khususnya rekan angkatan 2009.

9. Seluruh rekan-rekan dari Mabes “APAM” dan Kerukunan Mahasiswa

Kab. Hulu Sungai Tengah.

10. Serta semua pihak yang tidak bisa penyusun sebutkan satu persatu, terima

kasih atas bantuan serta semangat yang selalu diberikan hingga

terselesaikannya tugas akhir ini. Semoga Allah SWT selalu memberikan

kemudahan dalam berusaha sesuai atas jasa dan bantuan yang telah

diberikannya.

ix

DAFTAR ISI

LEMBAR PERSETUJUAN ………………………….......…………........ ii

LEMBAR PENGESAHAN ……………………………………………… iii

LEMBAR PERNYATAAN ……………..………………………………. iv

ABSTRAK ………………….......……………..…………………............. v

ABSTRACT ……………………………………………………................ vi

LEMBAR PERSEMBAHAN……………………………………………. vii

KATA PENGANTAR …………………………………………………… viii

DAFTAR ISI ............................................................................................... ix

DAFTAR GAMBAR …………………………………………………….. xii

DAFTAR TABEL ………………………………………………………... xv

DAFTAR GRAFIK …………………………………………………….... vvi

BAB I PENDAHULUAN …………………………………………….…. 1

Latar Belakang ............…………………………………............................ 1

1.1. Rumusan Masalah …………………………………………......... 2

1.2. Tujuan ………………………………………………………..…. 2

1.3. Batasan Masalah ……………………………………………........ 2

1.3.1. Metodologi ...……………………………………… 3

1.3.2. Konsep Program Penjadwalan.................................. 3

1.3.3. Riset Data ................................................................ 3

1.3.4. Storyboard Program ................................................. 3

1.3.5. Analisa Program ....................................................... 4

1.3.6. Design Program ....................................................... 4

1.3.7. Pengujian .................................................................. 4

1.4. Sistematika Penulisan …………………………………………… 5

BAB II LANDASAN TEORI……………………....................…….…...... 6

2.1. Pendidikan Dokter (Fak. Kedokteran) ………………….….…..… 6

2.1.1. Pengertian Coass UMM ……………………..…………...... 6

2.1.2. Landasan Pelaksanaan Coass ……………………………… 7

2.1.3. Tujuan Pelaksanaan Coass ………………………………… 7

x

2.2. Jadwal Coass ……………………………………………………… 8

2.3. Algoritma Genetika .......................................................................... 9

2.3.1. Komponen- Komponen Utama Algoritma Genetika ............ 12

2.3.2. Parameter Algortma Genetika ............................................... 25

2.3.3. Pemakaian Algoritma Genetika ............................................ 26

2.3.4. Implementasi Algoritma Genetika Untuk Menyelesaikan

Masalah Penjadwalan ........................................................... 26

BAB III ANALISA DAN PERANCANGAN SISTEM............................... 28

3.1. Deskripsi Umum ............................................................................. 28

3.2. Analisis Kebutuhan ......................................................................... 28

3.3. Perancangan Algoritma Genetika ................................................... 29

3.4. Perancangan Sistem ........................................................................ 32

3.4.1. Usecase Diagram .................................................................. 33

3.4.2. Activity Diagram .................................................................. 33

3.4.3. Sequence Diagram ................................................................ 39

3.4.4. Class Diagram ...................................................................... 45

3.4.5. Database ............................................................................... 46

3.4.6. Perancangan Antarmuka (Interface) ................................... 49

BAB IV IMPLEMENTASI DAN PENGUJIAN ........................................ 55

4.1. Implementasi Sistem ...................................................................... 55

4.1.1. Antarmuka Aplikasi dan Hasil Penjadwalan ...................... 55

4.2. Implementasi Kode Program .......................................................... 61

4.2.1. Kode Program Inisialisasi Kromosom ................................. 61

4.2.2. Kode Program Perhitungan Fungsi Fitness .......................... 65

4.2.3. Kode Program Seleksi Roulette Wheel ................................ 75

4.2.4. Kode Program Pindah Silang (Crossover) ........................... 76

4.2.5. Kode Program Mutasi .......................................................... 78

4.2.6. Kode Program Generasi ....................................................... 79

4.3. Tahap Pengujian ............................................................................. 80

4.3.1. Pengujian Dengan Persyaratan Penghentian Yang Berbeda. 80

4.3.2. Pengujian Dengan Parameter Yang Berbeda ..................... 83

4.3.3. Pengujian Dengan Jumlah Data Yang Berbeda ................... 90

xi

4.4. Grafik Perbandingan ...................................................................... 98

4.4.1. Grafik perbandingan nilai fitness ........................................ 98

4.4.2. Grafik perbandingan jumlah generasi ................................. 99

4.4.3. Grafik perbandingan waktu ................................................ 100

BAB V KESIMPULAN DAN SARAN...................................................... 101

5.1. Kesimpulan .................................................................................... 101

5.2. Saran .............................................................................................. 101

DAFTAR PUSTAKA ................................................................................. 102

LAMPIRAN ............................................................................................... 104

xii

DAFTAR GAMBAR

Gambar 1.1 Flowchart algoritma genetika ..................................................... 4

Gambar 2.1 Ilustrasi representasi penyelesaian permasalahan dalam algoritma

genetika ...................................................................................... 11

Gambar 2.2 Diagram alir algoritma genetika sederhana ................................ 12

Gambar 2.3 Representasi string bit dan pohon ................................................ 13

Gambar 2.4 Probabilitas terpilihnya suatu kromosom dalam roda roulet ....... 15

Gambar 2.5 Ilustrasi dari PMX operator ......................................................... 19

Gambar 2.6 Ilustrasi dari OX operator ............................................................ 19

Gambar 2.7 Ilustrasi dari CX operator ............................................................ 19

Gambar 2.8 Contoh genome sebelum dan sesudah mutasi dengan pengkodean

pohon .......................................................................................... 19

Gambar 3.1 Contoh kumpulan gen pada kromosom ...................................... 30

Gambar 3.2 Usecase diagram........................................................................... 33

Gambar 3.3 Activity diagram mengatur data kepaniteraan ............................. 34

Gambar 3.4 Activity diagram mengatur data kelompok .................................. 35

Gambar 3.5 Activity diagram mengatur data ruang ......................................... 35

Gambar 3.6 Activity diagram mengatur data dosen ......................................... 36

Gambar 3.7 Activity diagram mengatur data PTM........................................... 37

Gambar 3.8 Activity diagram melakukan pengaturan ...................................... 38

Gambar 3.9 Activity diagram generate jadwal ................................................. 38

Gambar 3.10 Sequence diagram data kepaniteraan......................................... 39

Gambar 3.11 Sequence diagram datakelompok ............................................. 41

Gambar 3.12 Sequence diagram data ruang ................................................... 42

Gambar 3.13 Sequence diagram data dosen ................................................... 43

Gambar 3.14 Sequence diagram data pembagian tugas membimbing .......... 43

Gambar 3.15 Sequence diagram generate jadwal ........................................... 44

Gambar 3.16 Class diagram ........................................................................... 45

Gambar 3.17 CDM.......................................................................................... 47

Gambar 3.18 PDM .......................................................................................... 48

Gambar 3.19 Tampilan Menu Utama .............................................................. 50

xiii

Gambar 3.20 Tampilan form bidang kepaniteraan .......................................... 50

Gambar 3.21 Tampilan form data kelompok.................................................... 51

Gambar 3.22 Tampilan form data ruang .......................................................... 52

Gambar 3.23 Tampilan form data dosen .......................................................... 52

Gambar 3.24 Tampilan form data PTM ........................................................... 53

Gambar 3.25 Tampilan form buat jadwal ......................................................... 53

Gambar 3.26 Tampilan form menu pengaturan................................................ 50

Gambar 4.1 Antarmuka menu utama ............................................................... 55

Gambar 4.2 Antarmuka form data kepaniteraan .............................................. 56

Gambar 4.3 Antarmuka form data kelompok ................................................... 56

Gambar 4.4 Antarmuka form data ruang ......................................................... 57

Gambar 4.5 Antarmuka form data dosen ......................................................... 57

Gambar 4.6 Antarmuka form PTM .................................................................. 58

Gambar 4.7 Antarmuka form pengaturan ......................................................... 58

Gambar 4.8 Antarmuka form jadwal ............................................................... 59

Gambar 4.9 Hasil penjadwalan sheet PTM ..................................................... 60

Gambar 4.10 Hasil penjadwalan sheet jadwal................................................. 61

Gambar 4.11 Kode program mengambil data PTM dari database................... 62

Gambar 4.12 Kode program inisialisasi subgen PTM ..................................... 63

Gambar 4.13 Kode program inisialisasi subgen ruang..................................... 64

Gambar 4.14 Kode program fitness bentrok dosen ......................................... 65

Gambar 4.15 Kode program fitness bentrok ruang.......................................... 66

Gambar 4.16 Kode program fitness ketidaksesuaian ruang dgn kepaniteraan 67

Gambar 4.17 Kode program fitness jumlah kepaniteraan yang dipraktekkan

lebih dari 1x semester pada satu kelompok ............................... 68

Gambar 4.18 Kode program fitness ketidaksesuaian jadwal dipraktekkan ... 69

Gambar 4.19 Kode program fitness ketidaksesuaian jadwal membimbing dosen

dalam 1 semester yang tidak urut.............................................. 70

Gambar 4.20 Kode program fitness ketidaksesuaian jadwal membimbing dosen

dalam 1 semester yang tidak dalam 1 ruangan........................... 73

Gambar 4.21 Kode program untuk menghitung fitness jumlah jadwal membim-

bing dosen dalam 1 semester melampaui batas membimbing .... 74

xiv

Gambar 4.22 Kode program seleksi Roulette Wheel........................................ 75

Gambar 4.23 Kode program Pindah Silang...................................................... 77

Gambar 4.24 Kode program mutasi ................................................................. 78

Gambar 4.25 Kode program generasi .............................................................. 79

Gambar 4.26 Kode program mutasi ................................................................. 64

xv

DAFTAR TABEL

Tabel 2.1 Masa Studi Coass .......................................................................... 8

Tabel 2.2 Contoh crossover 1 titik ............................................................... 17

Tabel 2.3 Contoh crossover 2 titik ............................................................... 18

Tabel 2.4 Contoh crossover seragam ........................................................... 18

Tabel 2.5 Contoh mutasi pada pengkodean biner ......................................... 23

Tabel 2.6 Contoh mutasi pada pengkodean permutasi ................................. 23

Tabel 2.7 Contoh mutasi pada pengkodean riil dengan nilai yang ditambahkan

atau dikurangkan adalah 0,10........................................................ 24

Tabel 4.1 Pengujian penghentian 1 ............................................................... 80



Tabel 4.4 Pengujian dengan jumlah populasi 5 ............................................ 84

Tabel 4.5 Pengujian dengan jumlah populasi 30............................................ 84

Tabel 4.6 Pengujian dengan jumlah populasi 50............................................ 84

Tabel 4.7 Pengujian dengan crossover 0.001 ................................................ 86

Tabel 4.8 Pengujian dengan crossover 0.01................................................... 86

Tabel 4.9 Pengujian dengan crossover 1 ....................................................... 87

Tabel 4.10 Pengujian dengan peluang mutasi 0.001 ..................................... 88

Tabel 4.11 Pengujian dengan peluang mutasi 0.01 ...................................... 89

Tabel 4.12 Pengujian dengan peluang mutasi 1............................................ 89

Tabel 4.13 Pengujian dengan jumlah kelompok 6 ....................................... 91

Tabel 4.14 Pengujian dengan jumlah kelompok 12 ..................................... 91

Tabel 4.15 Pengujian dengan jumlah kelompok 24 ..................................... 92

Tabel 4.16 Pengujian dengan jumlah dosen 14 ........................................... 93



Tabel 4.19 Pengujian dengan jumlah ruang 14 ........................................... 96



xvi

DAFTAR GRAFIK

Grafik 4.1 Nilai fitness pengujian dengan persyaratan yang berbeda ............... 82

Grafik 4.2 Jumlah generasi pengujian dengan persyaratan yang berbeda......... 82

Grafik 4.3 waktu pengujian dengan persyaratan yang berbeda ......................... 83

Grafik 4.4 Nilai fitness pengujian dengan jumlah populasi yang berbeda ........ 85

Grafik 4.5 Jumlah generasi pengujian dengan jumlah populasi yang berbeda... 85

Grafik 4.6 Waktu pengujian dengan jumlah populasi yang berbeda .................. 85

Grafik 4.7 Nilai fitness pengujian dengan crossover yang berbeda ................... 87

Grafik 4.8 Jumlah generasi pengujian dengan crossover yang berbeda ........... 87

Grafik 4.9 Waktu pengujian dengan crossover yang berbeda ........................... 88

Grafik 4.10 Nilai fitness pengujian dengan mutasi yang berbeda ..................... 89

Grafik 4.11 Jumlah generasi pengujian dengan mutasi yang berbeda ............... 89

Grafik 4.12 Waktu pengujian dengan mutasi yang berbeda .............................. 89

Grafik 4.13 Nilai fitness pengujian dengan jumlah kelompok yang berbeda..... 92

Grafik 4.14 Jumlah generasi pengujian dengan jumlah kelompok yang berbeda. 92

Grafik 4.15 Waktu pengujian dengan jumlah kelompok yang berbeda ............. 93

Grafik 4.16 Nilai fitness pengujian dengan jumlah dosen yang berbeda ........... 94

Grafik 4.17 Jumlah generasi pengujian dengan jumlah dosenyang berbeda ..... 95

Grafik 4.18 Waktu pengujian dengan jumlah dosen yang berbeda .................... 95

Grafik 4.19 Nilai fitness pengujian dengan jumlah ruang yang berbeda ........... 97

Grafik 4.20 Jumlah generasi pengujian dengan jumlah ruang yang berbeda .... 97

Grafik 4.21 Waktu pengujian dengan jumlah ruang yang berbeda ................... 97

Grafik 4.22 Perbandingan nilai fitness dengan persyaratan, populasi,

crossover, dan mutasi yang berbeda .............................................. 97

Grafik 4.23 Perbandingan nilai fitness dengan kelompok, dosen, dan ruang

yang berbeda ................................................................................... 98

Grafik 4.24 Perbandingan jumlah generasi dengan persyaratan, populasi,

crossover, mutasi, kelompok, dosen, dan ruang yang berbeda ...... 99

Grafik 4.25 Perbandingan waktu dengan persyaratan, populasi, crossover,

mutasi, kelompok, dosen, dan ruang yang berbeda ........................ 100

102

DAFTAR PUSTAKA

Cholis, Mohammad Nur. 2012. : Aplikasi Penjadwalan Pelajaran Moving

Class Dengan Algoritma Genetika (Studi Kasus SMP Negeri 1 Paiton).

Malang: Jurusan Teknik Informatika UMM.

Desiani, A., Arhami, M 2006. Konsep kecerdasan buatan. Yogyakarta : Andi.

Kiswantoro, Djoko. 2003. Penjadwalan Mata Kuliah Menggunakan Algoritma

Genetika Studi Kasus : Jurusan Teknik Industri FTI-ITS Surabaya.

Surabaya : Jurusan Teknik Industri FTI-ITS.

Kusumadewi, S 2003. Artificial Intelegence (Teknik dan Aplikasinya).

Yogyakarta : Graha Ilmu.

Park, B. J., Choi, H. R., & Kim, H. S. (2003). A hybrid genetic algorithm for

the job shop scheduling problems . Computers and Industrial

Engineering, 45(4), 597–613.

Poon, P. W., & Carter, J. N. (1995). Genetic algorithm crossover operators for

ordering applications. Computers and Operations Research, 22(1), 135–

147.

Seo, D. K., Klein, C. A., & Jang, W. (2005). Single machine stochastic

scheduling to minimize the expected number of tardy jobs using

mathematical programming models . Computers and Industrial

Engineering, 48(2), 153–161.

Shys-Chang Lin, Godman D. , & William, F. (2004). A Genetic Algorithm

Approach to Dynamic Job Shop Scheduling Problems. Genetic

Algorithms Research and Applications Group 230 Engineering Building,

Michigan State University, MI 48824.

Sujana, Y. Bahan Ajar Kecerdasan Buatan.

Suyanto. 2005. Algoritma Genetika Dengan Matlab. Yogyakarta : Andi.

103

Ulfa, M. L. 2011. Optimasi Penjadwalan Perkuliahan Menggunakan

Algoritma Genetika (Studi Kasus : Jurusan Teknik Informatika UIN

Maulana Malik Ibrahim Malang). Malang : Jurusan Teknik Informatika

UIN Malang.

UMM 2007. Buku Panduan Pendidikan Profesi Dokter (BP3D).Malang : Fak.

Kedokteran UMM.

Widyastuti, N., Ratnawati, A. Dan Cahyani, R N. 2008. Optimasi Penjadwalan

Kegiatan Belajar Mengajar dengan Algoritma Genetik. Surakarta :

Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sebelas

Maret.

jurusan teknik informatika fakultas teknik … · yang bercirikan kelompok praktikum mendatangi...

Documents