ABSTRAKSI: Penjadwalan kuliah merupakan permasalahan yang kompleks dan banyak batasan-batasan yang harus dipertimbangkan seperti bentrok dosen, bentrok kelas, bentrok ruangan, distribusi jadwal dosen, distribusi jadwal kelas dan lain sebagainya. Dan Batasan-batasan tersebut dibagi menjadi 2 tipe yaitu hardconstraint dan softconstraint, dimana hardconstraint merupakan batasan yang jangan sampai dilanggar atau bahkan jangan di langgar dan softconstraint merupakan batasan yang sebaiknya jangan dilanggar.
Pada tugas akhir ini, Algoritma genetika dengan pengkodean langsung dan mutasi terarah adalah metode optimasi yang dapat digunakan untuk membangun sistem yang dapat mengatasi permasalahan penjadwalan kuliah tersebut. Dimana Dengan adanya Mutasi Terarah dapat menjamin penurunan nilai fitness cenderung menjadi lebih baik ataupun paling tidak sama dengan nilai fitness digenerasi sebelumnya dan pengkodean langsung dimaksudkan agar dan lebih fleksibel dan mudah dalam berbagai hal, seperti pelaksanaan operasi-operasi AG, penghitungan fitness, dan sebagainya dan juga mempermudah pembentukan kromosomnya.
Dataset yang digunakan untuk melakukan pengujian adalah data perkuliahaan semester 1 dan semester 2 di IT Telkom, Bandung, dengan parameter yang diujikan adalah jumlah percobaan, jumlah generasi, jumlah kromosom, fitness rata-rata. Berdasarkan observasi yang telah dilakukan dapat diketahui bila percobaan di perbanyak atau di tambah tidak akan mengubah konsistensi tetap terjadinya penurunan pelanggaran softconstraint pada mutasinya dan greedy dapat menurunkan pelanggaran hardcosntraint. Penambahan jumlah generasi maka akan berdampak pada semakin besarnya kesempatan kromosom tersebut untuk bermutasi, sehingga kromosom tersebut dapat mengalami penurunan pelanggaran (fitness) softconstraint yang lebih baik lagi. penambahan jumlah krosmosom dapat membuat penurunan pelanggaran softconstraint yang lebih baik. Fitness rata-rata dapat digunakan untuk mengetahui rata-rata kisaran nilai fitness untuk suatu parameter tertentu
Kata Kunci : penjadwalan kuliah, Algoritma Genetika (AG), mutasi terarah, jumlah percobaan, jumlah generasi, jumlah kromosom, fitness rata-rata.ABSTRACT: University timetabling is a complex problem and many constraints that must be considered like clash of lecturer, clash of class, and clash of room, distribution of lecturer schedule, distribution of class schedule, etc. That constraints divided to 2 type that is hardconstraint and softconstraint, where hardconstraint is a constraint that shouldn’t violated or don’t violated and softconstraint is a constraint better if should not violated.
On this final task, genetic algorithm with direct encoding and directed mutation is an optimation method that can be used to build a system that can solve a problem in university timetabling. Where with a directed mutation can ensure reduction fitness value tend better or at least the fitness value is equal with the generation before and the direct encoding that mean more flexible and easy for many things such as AG operations, count of fitness, and build a chromosome.
Datasets being used for testing the system are lectures data from odd semester and from even semester of ITTelkom, Bandung, with a parameter that tested are number of trial, number of generation, number of chromosome, and average fitness. Based on own observations on some tests that can knew if number of trial is increased don’t change consistency still the decrease of violation softconstraint on mutation and greedy can decrease a violation of hardconstraint. The increase of number generation can result greater a opportunity of chromosome to mutate, so the chromosome can have the decrease of violation (fitness) softconstraint that result can be better. The increase of number chromosome can make the decrease the value of fitness is better. The average fitness can be used for knowing an average of approximately fitness value for a certain parameter.
Keyword: university timetabling, Genetic Algorithm (GA), directed mutation,number of trial, number of generation, number of chromosome, average fitness.