IJCISIJCIS

International Journal of Computer and Information System (IJCIS)International Journal of Computer and Information System (IJCIS)

Masalah optimisasi kombinatorial kompleks yang harus memenuhi berbagai kendala keras dan lunak sering muncul dalam penjadwalan kuliah. Memproduksi jadwal yang layak dan berkualitas tinggi dalam waktu komputasi terbatas sering sulit dicapai menggunakan metode konvensional. Dalam penelitian ini, model optimisasi hibrida yang menggabungkan Ant Colony Optimization (ACO) dan Particle Swarm Optimization (PSO) diusulkan untuk meningkatkan kualitas solusi dan kecepatan konvergensi. Model ini diimplementasikan menggunakan MATLAB R2023b dan diuji pada data nyata yang melibatkan 10 mata kuliah, 4 ruang kelas, dan 6 slot waktu per hari. Pendekatan ACO PSO secara signifikan berhasil mengurangi nilai penalti, mencerminkan pemenuhan kendala yang lebih baik dan hasil eksperimen yang lebih konsisten dan stabil dibandingkan ACO murni. Visualisasi konvergensi parameter menegaskan efektivitas pendekatan hibrida dalam menemukan konfigurasi parameter optimal. Penelitian ini berkontribusi pada pengembangan sistem penjadwalan kuliah cerdas yang adaptif dan sesuai dengan kebijakan institusi.

Metode hibrida ACO PSO menghasilkan solusi penjadwalan kuliah yang lebih stabil dan konsisten dibandingkan dengan ACO murni, meskipun ACO terkadang dapat mencapai solusi terbaik pada beberapa percobaan.Hibrida ACO PSO secara bertahap menyesuaikan parameter ACO menggunakan PSO, sehingga meningkatkan kualitas dan keandalan solusi.Dengan demikian, kombinasi ACO dan PSO menjadi pendekatan yang efektif untuk memecahkan masalah penjadwalan kuliah sekaligus meningkatkan keandalan dan kinerja algoritma.

Penelitian berikutnya dapat mengeksplorasi mekanisme adaptasi real‑time untuk menyesuaikan jadwal secara otomatis ketika terjadi perubahan mendadak, seperti ketidakhadiran dosen atau perubahan ruang kelas, sehingga model hibrida dapat menanggapi situasi dinamis secara langsung. Selain itu, memperkenalkan tujuan multi‑objektif yang secara simultan memprioritaskan kepuasan mahasiswa, efisiensi ruang, dan kebijakan institusi dapat meningkatkan relevansi praktis riset ini, karena penjadwalan kuliah sering melibatkan konflik tujuan yang kompleks. Penelitian lanjutan juga dapat meneliti pemanfaatan strategi pemilihan parameter berbasis pembelajaran mesin, misalnya menggunakan algoritma reinforcement learning untuk memperoleh konfigurasi optimal parameter ACO secara otomatis, sehingga mempercepat konvergensi dan mengurangi ketergantungan pada tuning manual.

  1. Automatic Combination of Operators in a Genetic Algorithm to Solve the Traveling Salesman Problem | PLOS... journals.plos.org/plosone/article?id=10.1371/journal.pone.0137724Automatic Combination of Operators in a Genetic Algorithm to Solve the Traveling Salesman Problem PLOS journals plos plosone article id 10 1371 journal pone 0137724
  2. A Comprehensive Review of Swarm Optimization Algorithms | PLOS One. review swarm optimization algorithms... journals.plos.org/plosone/article?id=10.1371/journal.pone.0122827A Comprehensive Review of Swarm Optimization Algorithms PLOS One review swarm optimization algorithms journals plos plosone article id 10 1371 journal pone 0122827
Read online
File size657.5 KB
Pages11
DMCAReport

Related /

ads-block-test