Penjadwalan perkuliahan di perguruan tinggi sering mengalami berbagai permasalahan, seperti pembuatan jadwal yang membutuhkan waktu lama, bentrok jadwal dosen dan kelas, dan penggunaan ruang dan waktu yang tidak efisien. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem penjadwalan perkuliahan berbasis web dengan php yang menerapkan Algoritma Genetika guna menghasilkan jadwal yang optimal. Metode pengembangan sistem yang digunakan adalah metode Prototype, meliputi analisis sistem manual, perancangan model berbasis Algoritma Genetika, implementasi dalam bentuk aplikasi web, serta pengujian efektivitas sistem. Algoritma ini bekerja melalui tahapan inisialisasi populasi, seleksi, crossover, dan mutasi untuk mencari solusi terbaik dengan minimasi konflik jadwal. Dari pengujian, algoritma genetika berhasil mengurangi konflik jadwal dengan jumlah populasi 50, probabilitas crossover 0,70, probabilitas mutasi 0,20, dan jumlah generasi 800 dengan waktu eksekusi berkisar 2-10 menit tergantung kompleksitas data, dan hasil optimasi 98% (tidak ada bentrok). Hasil pengujian User Acceptance Testing (UAT) dengan persentasi keseluruhan sebesar 96,62% menunjukkan bahwa sistem ini mampu mengurangi bentrok jadwal dan mendistribusikan waktu kuliah secara lebih seimbang berdasarkan ketersediaan dosen dan ruang. Dapat disimpulkan bahwa sistem lebih efisien dibandingkan metode manual dan dapat menjadi solusi bagi institusi pendidikan dalam mengoptimalkan jadwal akademik.

Lecture scheduling in higher education institutions frequently encounters challenges such as time-consuming procedures, scheduling conflicts, and inefficient use of resources. This study presents a web-based scheduling system developed using PHP and a Genetic Algorithm to generate optimized lecture timetables. The development process employed the Prototype method, which included analysis of the existing manual system, algorithm-driven model design, web-based implementation, and system effectiveness testing. The Genetic Algorithm utilizes population initialization, selection, crossover, and mutation processes to minimize scheduling conflicts. From genetic algorithm testing, the algorithm successfully reduced scheduling conflicts with a population size of 50, crossover probability of 0.70, mutation probability of 0.20, and 800 generations, with execution time ranging from 2-10 minutes depending on data complexity, achieving 98% optimization (no conflicts). Results from User Acceptance Testing (UAT) revealed a satisfaction rate of 96.62%, indicating that the system effectively reduces timetable clashes and optimizes time allocation based on lecturer availability and room usage. Overall, this system demonstrates improved efficiency compared to traditional manual methods and offers a practical solution for academic scheduling optimization.