ESTIMASI NILAI NUTRISI KOMPOSISI KIMIA PAKAN TERNAK RUMINANSIA MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK
ULFA NIKMATIYA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Estimasi Nilai Nutrisi Komposisi Kimia Pakan Ternak Ruminansia Menggunakan Metode Bayesian Regularization Neural Network adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Agustus 2015 Ulfa Nikmatiya NIM G64110012
ABSTRAK ULFA NIKMATIYA. Estimasi Nilai Nutrisi Komposisi Kimia Pakan Ternak Ruminansia Menggunakan Metode Bayesian Regularization Neural Network. Dibimbing oleh AZIZ KUSTIYO dan ANURAGA JAYANEGARA. Perbedaan komponen kimia pakan ternak dapat mempengaruhi nilai nutrisi untuk hewan ternak. Peternak sulit menentukan formulasi pakan yang sesuai dengan kebutuhan hewan ternak untuk mendapatkan nutrisi yang tepat. Estimasi nutrisi pakan ruminansia pada penelitian ini dilakukan berdasarkan komposisi kimia pakan menggunakan metode Bayesian regularization neural network (BRNN). Data yang digunakan dalam penelitian ini didapatkan dari hasil penelitian Rowett Research Institutte (INRA Perancis) pada kategori main constituents dan bagian yang diestimasi adalah ruminant nutritive value . Penelitian ini membuat model BRNN untuk memprediksi nutrisi pakan ternak ruminansia. Proses estimasi dilakukan menggunakan arsitektur BRNN dengan beberapa jumlah neuron hidden layer yang berbeda dan kombinasi jumlah neuron output. Model BRNN dengan 8 neuron ouput merupakan model BRNN terbaik yang memiliki nilai mean absolute percentage error (MAPE) sebesar 11.82. Katakunci: Bayesian regularization neural network, nilai nutrisi, pakan, ruminansia
ABSTRACT ULFA NIKMATIYA. Estimation Nutrient Value Through Chemical Composition of Ruminants Forage Using Bayesian Regularization Neural Network. Supervised by AZIZ KUSTIYO and ANURAGA JAYANEGARA. The different forage’s chemical compositions can affect the nutrient value for livestock. Stock farmers find difficulties in determining the feed formulation in accordance to the needs of livestock to get nutrition value properly. Feed nutrients estimation based on chemical component in this research used Bayesian regularization neural network (BRNN) method. The data in this research were obtained from Rowett Research Intitutte (INRA Franch) in main constituents category, and estimated one was of ruminant nutritive values category. This research built a BRNN model to estimate feed nutrient of ruminant. The process of estimation was performed by using the BRNN architecture with various numbers of hidden layer’s neurons and output layer’s neurons. Model BRNN with 8 neuron output was the best BRNN’s model that have a mean absolute percentage error’s value of 11.82. Keywords: Bayesian regularization neural network, feed, nutrition value, ruminant
ESTIMASI NILAI NUTRISI KOMPOSISI KIMIA PAKAN TERNAK RUMINANSIA MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK
ULFA NIKMATIYA
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
Penguji: Dr Imas Sukaesih Sitanggang, SSi MKom
Judul Skripsi : Estimasi Nilai Nutrisi Komposisi Kimia Pakan Ternak Ruminansia Menggunakan Metode Bayesian Regularization Neural Network Nama : Ulfa Nikmatiya NIM : G64110012
Disetujui oleh
Aziz Kustiyo, SSi MKom Pembimbing I
Dr Anuraga Jayanegara, SPt MSc Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Puji syukur penulis panjatkan kepada Allah Subhanahuwata’ala atas segala karunia-Nya sehingga skripsi ini dapat diselesaikan. Penyusunan skripsi ini berdasarkan penelitian yang telah dilakukan pada bulan Februari sampai Juni 2015. Ucapan terima kasih penulis sampaikan kepada pihak-pihak yang telah membantu dan mendukung dalam penyelesaian laporan ini, yaitu: 1 Ayahanda Syahrul Ramadhan dan ibunda Gusneli atas segala dukungan, doa dan semangat dalam kelancaran pendidikan penulis. 2 Aziz Kustiyo, SSi MKom dan Dr Anuraga Jayanegara, SPt MSc sebagai dosen pembimbing skripsi yang telah memberikan bimbingan dan motivasi hingga penelitian ini selesai. 3 Dr Imas Sukaesih Sitanggang, SSi MKom sebagai dosen penguji yang memberikan kritik dan saran untuk perbaikan penelitian ini. 4 Seluruh dosen dan staf Departemen Ilmu Komputer yang membantu penulis selama menempuh perkuliahan. 5 M Haikal Dzulfikri, Fitri, Selma Siti Lutfiah atas dukungan, kerja sama dan semangat dalam menyelesaikan penelitian ini. 6 Keluarga besar Bidik Misi IPB yang memberikan dukungan moral dan materi dalam menunjang kelancaran akademik serta pengembangan diri penulis. 7 Keluarga besar, teman, dan semua pihak yang telah mendukung serta membantu selama proses pelaksanaan penelitian ini. Penulis berharap semoga skripsi ini dapat bermanfaat bagi penulis maupun pihak yang memerlukan.
Bogor, Agustus 2015 Ulfa Nikmatiya
DAFTAR ISI DAFTAR TABEL
vii
DAFTAR GAMBAR
vii
DAFTAR LAMPIRAN
vii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
3
TINJAUAN PUSTAKA
3
Bayesian Regularization
3
Kandungan Kimia pada Tumbuhan Pakan Ternak
5
METODE
6
Tahapan Penelitian
6
Pengumpulan Data Penelitian
7
Praproses Data
7
Pembagian Data
7
Pelatihan Menggunakan BRNN
7
Pengujian
8
Evaluasi
9
Lingkungan Pengembangan
9
HASIL DAN PEMBAHASAN
9
Pengumpulan Data
9
Praproses Data
9
Pembagian Data
10
Pelatihan BRNN
10
Pengujian
12
Evaluasi
12
Deskripsi Sistem
16
SIMPULAN DAN SARAN
17
Simpulan
17
Saran
17
DAFTAR PUSTAKA
18
RIWAYAT HIDUP
28
LAMPIRAN
19
RIWAYAT HIDUP
28
DAFTAR TABEL 1 2 3 4 5 6 7 8
Skema pembagian data latih dan data uji Nilai korelasi setiap output Struktur BRNN untuk mengestimasi nilai nutrisi pakan ternak ruminansia Nilai MAPE dan RMSE Rincian nilai MAPE untuk semua output Contoh rincian nilai PDIA dan hasil estimasi Koefisien determinasi untuk model ANN dengan RMSE terkecil Hasil estimasi pakan oats oleh sistem
10 11 12 13 13 14 14 16
DAFTAR GAMBAR 1 2 3 4 5 6
Tahapan penelitian Fungsi aktivasi tansig (Fausett 1994) Model BRNN untuk mengestimasi nilai nutrisi pakan ternak. Grafik perbandingan nilai hasil estimasi BRNN dengan data aktual Tampilan awal sistem Hasil estimasi pakan oats
6 8 12 15 16 17
DAFTAR LAMPIRAN 1 Kandungan nilai main constituents dan ruminant nutritive values pada 2 3 4 5 6 7 8
pakan ternak ruminansia setelah praproses data Nilai aktual dan hasil estimasi pada model 8 output Nilai kesalahan hasil estimasi pada model 8 output Nilai MAPE hasil estimasi pada model 8 output Nilai aktual dan hasil estimasi pada model 6 output Nilai MAPE hasil estimasi pada model 6 output Nilai MAPE hasil estimasi pada model 3 output Nilai MAPE hasil estimasi model 3 output
19 21 22 23 24 25 26 27
PENDAHULUAN Latar Belakang Hewan ternak membutuhkan nutrisi yang tepat melalui pakan yang dimakannya. Kebutuhan nutrisi setiap hewan ternak berbeda. Salah satunya hewan ternak ruminansia. Ternak ruminansia merupakan hewan mamalia yang bisa memamah biak yaitu mampu memakan makanan kemudian mencernanya dalam 2 tahap yang meliputi sapi, kerbau, kambing, dan domba. Hewan ruminansia mempunyai peranan yang sangat strategis bagi kehidupan ekonomi petani di pedesaan, maka pemenuhan gizi ternak perlu diperhatikan melalui pemberian bahan pakan sesuai kebutuhan hidupnya (Yunilas 2009). Pemberian pakan sangat mempengaruhi produktivitas dan kineja hewan ternak. Salah satu aspek yang penting dalam menunjang keberhasilan usaha peternakan adalah memberikan pakan yang berkualitas dengan jumlah pemberian sesuai dengan kebutuhan hewan ternak. Sebaiknya pakan yang diberikan kepada hewan ternak mengandung zat makanan yang memadai kualitas dan kuantitasnya seperti energi, protein, lemak, mineral, dan vitamin. Pemberian nutrisi pada ternak melalui pakan dengan jumlah yang tepat dan seimbang akan menghasilkan produk berkualitas yang dihasilkan oleh ternak ruminansia. Kandungan kimia yang terkandung dalam pakan tidak semuanya diserap ternak ruminansia. Komponen serat dalam pakan mempengaruhi utilisasi pakan dalam saluran pencernaan. Beberapa faktor yang menyebabkan perbedaan tingkat interaksi serat dan lemak adalah sebagian komponen serat pakan dapat dicerna dalam saluran pencernaan ternak ruminansia serta pengaruh sifat fisik, komponen kimia dan tingkat kecernaan komponen serat sangat bervariasi (Nazilah 2004). Beberapa perlakuan seperti pemanasan, oksidasi, dan penyimpanan terhadap bahan pakan akan mempengaruhi konsentrasi kandungan vitamin dan mineralnya. Produksi hewan yang efisien dapat dicapai dengan memberikan bahan makanan secara efisien juga sesuai dengan tujuan pemeliharaan seperti daging, telur, susu, dan produksi sampingan (Hartadi et al. 1980). Oleh karena itu, diperlukan strategi yang tepat untuk mengoptimalkan nutrisi yang diberikan kepada hewan ternak melalui pakannya. Pakan ternak merupakan komponen biaya produksi terbesar dalam suatu usaha peternakan. Oleh karena itu pengetahuan tentang pakan dan pemberiannya perlu mendapat perhatian yang serius. Pakan yang diberikan kepada ternak harus diformulasikan dengan baik dan semua bahan pakan yang digunakan harus mendukung produksi yang optimal dan efisien sehingga usaha yang dilakukan dapat menjadi lebih ekonomis. Hal-hal yang berkaitan dengan pemberian pakan ternak adalah kebutuhan nutrisi ternak, komposisi nutrisi bahan pakan ternak dan teknik mengombinasikan beberapa jenis pakan untuk mencukupi kebutuhan ternak (Subandriyo 2000). Dalam bidang peternakan, pakan yang umum diberikan kepada ternak bersumber dari tumbuhan. Spesies pakan ternak ruminansia beserta variasi kandungan zat kimia sangat banyak jumlahnya. Hal ini sangat menyulitkan para peternak untuk memilih jenis pakan yang tepat. Apabila peternak ingin memprediksi nutrisi suatu pakan, peternak akan langsung memberikan pakan
2
tertentu pada ternak kemudian dianalisis kandungan nutrisinya pada ternak di laboratorium. Cara lain untuk memprediksi nutrisi pakan yaitu dengan melakukan percobaan pada alat simulasi pencernaan hewan ternak. Melakukan uji laboratorium dan pecobaan alat simulasi pencernaan ternak memerlukan biaya yang mahal dan waktu yang lama. Untuk membantu petenak memperkirakan nutrisi pakan akan dibangun suatu model estimasi. Penelitian serupa pernah dilakukan oleh Febrisahrozi (2014) untuk mengestimasi utilisasi nutrien pada pakan ternak ruminansia menggunakan metode artificial neural network (ANN) dengan data yang diambil dari website http://www.feedipedia.org dari bulan Februari hingga Maret 2014. Penelitian lain juga dilakukan oleh Kaur dan Salaria pada tahun 2013 yang berjudul Bayesian Regularization Based Neural Network Tool for Software Effort Estimation. Penelitian ini membandingkan beberapa kinerja fungsi aktivasi neural network yaitu Lavenberg-Marquart, Bayesian regularization, dan gradient descent. Berdasarkan penelitian sebelumnya, penelitian ini membangun model estimasi nilai nutrisi pakan menggunakan metode Bayesian regularization neural network (BRNN). Metode tersebut merupakan salah satu metode neural network yang terbaru dalam beberapa tahun terakhir. Hasil estimasi tersebut dijadikan panduan untuk menyusun pakan sesuai kebutuhan nutrisi ternak ruminansia.
Perumusan Masalah Rumusan permasalahan pada penelitian ini adalah bagaimana cara mendapatkan model yang digunakan untuk memperkirakan nilai nutrisi pakan ternak ruminansia melalui komposisi kimia dengan menggunakan Metode BRNN.
Tujuan Penelitian Tujuan penelitian ini adalah membangun model BRNN dan membuat sistem estimasi yang dapat memperkirakan nilai nutrisi yang dihasilkan dari pakan ternak ruminansia berdasarkan kandungan kimianya.
Manfaat Penelitian Manfaat penelitian ini adalah menghasilkan sistem yang menghasilkan model untuk memperkirakan kandungan nutrisi pakan ternak ruminansia. Hal ini dapat membantu para pembuat pakan ternak dalam menyusun pakan serta bagi penyuluh peternakan dalam memberikan pertimbangan kepada para peternak terkait pemberian pakan ternak ruminansia. Pemilihan pakan berdasarkan model estimasi nilai nutrisi pakan ternak ruminansia sehingga produktivitas ternak ruminansia dapat dioptimalkan.
3
Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah: 1 Data penelitian diambil dari buku Tables of Composition and Nutritional Value of Feed Materials yang merupakan data hasil penelitian dari Rowett Research Institutte (INRA Perancis) yang diterbitkan pada tahun 2004. 2 Kandungan kimia yang dijadikan untuk proses estimasi dari setiap spesies tersebut adalah main constituents yaitu crude protein, crude fibre, ether extract, ash, Insoluble Ash, Neutral Detergent Fibre, Acid Detergent Fiber, Acid Detergent Lignin,Water Insoluble Cell Walls, Starch, Total Sugar, dan gross energy. 3 Nilai nutrisi pakan yang diestimasi adalah ruminant nutritive values yaitu UFL, UFV, PDIA, ME, ED, OMD, ND, dan TID.
TINJAUAN PUSTAKA Bayesian Regularization Bayesian regularization neural network (BRNN) merupakan salah satu fungsi pelatihan jaringan saraf tiruan yang menggunakan pendekatan GaussNewton dan matrik Hessian yang diimplemetasi pada algoritma Levenberg Marquardt. Fungsi pelatihan ini mampu meminimalkan kombinasi kesalahan kuadrat dan bobot, kemudian menentukan kombinasi yang benar sehingga menghasilkan jaringan yang menggeneralisasikan dengan baik. BRNN dapat menyelesaikan permasalahan non-linier (Foresse dan Hagan 1997). BRNN memiliki nilai input dengan lambang p dan target dengan lambang t yaitu {p1 ,t 1 } ,{p2 ,t 2 } , …,{pn ,t n } dengan nilai kesalahan dapat dilihat dari selisih antara nilai input dengan nilai target. Tujuan dari pelatihan BRNN adalah untuk menemukan model dengan nilai kesalahan terkecil. Nilai bobot pada BRNN diperbaharui sesuai dengan aturan Bayes (Foresse dan Hagan 1997) pada Persamaan 1.
P(W| D,α,β,M)=
P(D| W,β,M)P(W|α,M) P(D|α,β,M)
(1)
dengan D : Data set M : Saraf yang digunakan pada jaringan W : Bobot pada saraf jaringan P(W|α,M) : Pengetahuan tentang bobot sebelum pengumpulan data P(D| W,β,M): Fungsi probability data dari bobot P(D|α,β,M) : Normalization factor dengan nilai probability berjumlah 1 Metode ini mengasumsikan noise pada data training merupakan data Gaussian dan prior distribusi untuk nilai bobot adalah Gaussian maka:
4
1 exp(- βED ) ZD (β) 1 P(W|α,M)= exp(- αEW ) ZW (α)
P(D| W,β,M)=
(2) (3)
dengan ZD (β)=(π⁄β)n⁄2 ZD (β)=(π⁄β)n⁄2
(4) (5)
Persamaan 4 disubtitusikan dengan Persamaan 2 dan Persamaan 5 disubtitusikan dengan Persamaan 3, maka diperoleh Persamaan 6: 1
P(W| D,α,β,M)= =
1
ZW (α) ZD (β)
exp(- (βED + αEW ))
Normalization Factor
1 exp(- F(W)) ZF (α,β)
(6)
Pada BRNN, pengoptimalan bobot dapat dilakukan dengan memaksimalkan nilai posterior probability P(D|α,β,M) yang meminimalkan fungsi tujuan regularisasi. Fungsi tujuan regularisasi yaitu pada Persamaan 7. F=βED +αEW
(7)
dengan ED adalah sum square of error EW adalah sum square of weight α , β adalah parameter objective function Apabila α lebih kecil dibandingkan β maka algoritme pelatihan akan meminimalkan kesalahan dan apabila α lebih besar dibandingkan β maka akan mengurangi nilai bobot dan mempengaruhi nilai kesalahan sehingga menghasilkan smooter network. Langkah-langkah yang dilakukan dalam optimasi parameter Bayesian regularization menggunakan metode Gauss-Newton dengan menggunakan pendekatan matriks Hessian (Foresse dan Hagan 1997): 1 Inisialisasi 𝛼 , 𝛽 dan bobot. 2 Inisialisasi persamaan objective function pada Persamaan 8. F=βED+αEW
(8)
3 Menghitung Persamaan 9 menggunakan Gauss-Newton approximation untuk menerapkan metode Hessian pada algoritma Lavenberg-Marquart pada Persamaan 10. (9) γ=N-2αtrH -1 H=∇2 F(w)=2βJ T J+2αIN (10) dengan J: matrik Jacobian pada data training error.
5
4 Hitung estimasi terbaru dengan persamaan fungsi tujuan pada Persamaan 11 dan Persamaan 12. γ (11) α= 2EW (W) β=
n-γ 2ED (W)
(12)
5 Ulangi langkah 2 sampai 4 hingga konvergen. Kandungan Kimia pada Tumbuhan Pakan Ternak Data masukan main constituents merupakan komponen utama yang terdapat dalam pakan. Rincian main constituents (Botems et al. 2004) sebagai berikut. Crude protein (%) adalah protein kasar berasal dari mineralisasi nitrogen yang terdiri atas asam-asam amino yang saling berikatan (ikatan peptida), amida, amina, dan semua bahan organik yang mengandung nitrogen (bernilai 2.1 sampai 60.6). Crude fibre (%) adalah serat kasar yang merupakan bagian karbohidrat yang tidak larut setelah pemasakan berturut-turut (bernilai 1.1 sampai 34.2). Ether extract (%) adalah lemak kasar yang merupakan semua senyawa pada pakan yang dapat larut dalam pelarut organik (bernilai 0.1 sampai 44.6). Ash (%): sisa hasil pengabuan yang terkandung pada bagian pakan (bernilai 0.6 sampai 11.5). Insoluble ash (%): bagian serat detergen asam yang tidak larut dalam H2SO4 72 % dan tersisa sebagai abu pada pembakaran 500 – 600 0C (bernilai 0 sampai 3). Neutral-detergent fiber (%): ukuran yang digunakan untuk mengestimasi seberapa banyak makanan yang dapat diterima hewan (bernilai 2.3 sampai 65.8). Acid detergent fiber (%): ukuran yang digunakan untuk mengestimasi energi yang akan diperoleh dari pakan yang bisa digunakan hewan (bernilai 0.7 sampai 40.4). Acid detergent lignin (%): bagian dinding sekunder tumbuhan yang berupa polimer kompleks, biasa terakumulasi pada batang tumbuhan berkayu dan semak (bernilai 0.2 sampai 13). Water insoluble cell walls (%): bagian komponen dinding cell tanaman yang tidak larut air (bernilai 2.3 sampai 61.8). Starch (%): pati yang didapatkan dari hasil polimer dari glukosa (bernilai 0 sampai 77.1). Energi bruto (gross energy) (MJ/kg): jumlah kalori (panas) yang dihasilkan dari (bernilai 0.4 sampai 26.7). Total Sugar (%): Total gula (monosakarida dan disakarida) (bernilai 0.3 sampai 39.8). proses pembakaran dengan bahan makanan dan diukur dengan bobm calorimeter Data keluaran ruminant nutritive values merupakan nilai nutrisi yang dihasilkan dari pencernaan hewan ternak ruminansia. Rincian ruminant nutritive values (Botems et al. 2004) sebagai berikut:
6
United fourragere lait (UFL) (per Kg) adalah unit hijauan untuk produksi susu (bernilai 0.24 sampai 1.68). Unite fourragere viande (UFV) (per Kg) adalah unit hijauan untuk produksi daging (bernilai 0.23 sampai 1.68). PDIA (g/Kg) adalah nilai untuk nitrogen dinyatakan sebagai protein dicerna dalam usus (bernilai 8 sampai 429). Metabolisable energy (ME) (%) merupakan jumlah energi yang digunakan untuk proses metabolisme (bernilai 2.7 sampai 18.7) . Energy digestibility (ED) (%) merupakan jumlah energi yang dapat dicerna (bernilai 53 sampai 98). Organic matter digestibility (OMD) (%) merupakan jumlah zat yang dapat dicerna (bernilai 54 sampai 96). Nitrogen digestibility (ND) (%) merupakan jumlah nitrogen yang dapat dicerna (bernilai 36 sampai 81). True intestinal digestibility (TID) (%) merupakan protein yang dicerna oleh usus halus (bernilai 65 sampai 96).
METODE
Tahapan Penelitian Metode yang digunakan untuk melakukan estimasi nilai nutrien pada pakan ternak ruminansia pada penelitian ini adalah Bayesian regularization neural network (BRNN). Tahapan penelitian dapat dilihat pada Gambar 1. Mulai
Pengumpulan Data
Pembagian Data
Praproses Data
Data Latih Pelatihan BRNN Model BRNN
Pengujian Selesai Gambar 1 Tahapan penelitian
Evaluasi
Data Uji
7
Pengumpulan Data Penelitian Data penelitian merupakan data sekunder yang diambil dari buku “Tables of Composition and Nutritional Value of Feed Materials” merupakan data hasil penelitian dari Rowett Research Institutte (INRA Perancis) yang diterbitkan pada tahun 2004 (Botems et al. 2004).
Praproses Data Data yang telah disusun akan dilakukan praproses data (cleaning data). Praproses data yang dilakukan adalah menghapus data jenis pakan yang memiliki data missing value. Saat dianalisis ternyata nilai komposisi kimia pakan memiliki banyak nilai pencilan sehingga perlu dilakukan normalisasi data. Data hasil normalisasi akan benilai antara 0 sampai 1. Rumus normalisasi (Han et al. 2011) disajikan pada Persamaan 13. Nilai Normalisasi =
Nilai Asli-Nilai Minimum Nilai Maksimum-Nilai Minimum
(13)
Pembagian Data Database nutrisi pakan ternak yang terbentuk akan dibagi menjadi data latih dan data uji menggunakan metode K-fold cross validation. Nilai K yang digunakan yaitu 3. Data latih merupakan data yang akan digunakan dalam pembangunan model yaitu akan dijadikan input untuk model BRNN, sedangkan data uji digunakan untuk mengetahui tingkat akurasi dari model yang dihasilkan.
Pelatihan Menggunakan BRNN Pelatihan dilakukan pada data latih dengan menggunakan fungsi pelatihan BRNN. Komponen kimia yang dijadikan input layer pada model adalah adalah main constituents yaitu crude protein, crude fibre, ether extract, ash, insoluble ash, neutral detergent fibre, acid detergent fiber, acid detergent lignin,water insoluble cell water, starch, total sugar, dan gross energy. Adapun output layer adalah masing-masing komponen nutrien pada ruminant nutritive values yaitu UFL, UFV, PDIA, ME, ED, OMD, ND, TID. Proses pelatihan dilakukan dengan mengombinasikan jumlah neuron hidden layer dan jumlah neuron output. Jumlah neuron hidden layer yang dipakai adalah 5, 10, 15, 20, 25, 30, 35, 40, 45, dan 50. Fungsi aktivasi yang digunakan pada hidden layer dan output layer adalah fungsi tansig. Visualisasi fungsi tansig atau sigmoid bipolar pada Gambar 2.
8
Gambar 2 Fungsi aktivasi tansig (Fausett 1994) Nilai tansig memiliki selang antara -1 sampai 1. Fungsi aktivasi tansig membawa nilai input dan output menggunakan rumus tangen sigmoid dapat dirumuskan pada Persamaan 14 yaitu Tansig(n)=
2 -1 (1+ exp -2n)
(14)
Jumlah output yang dipakai untuk setiap model adalah 8 neuron, 6 neuron, dan 3 neuron. Saat menentukan jumlah output pada model, dilakukan perhitungan nilai korelasi setiap output. Nilai korelasi dapat dirumuskan pada Persamaan 15 (Walpole 1993). korelasi=
n ∑ xy-(∑ x) (∑ y) √{n ∑ x 2 -(∑ x)2 }{n ∑ y 2 -(∑ y)2 }
(15)
dengan n = banyak data pasangan x dan y ∑ x = total jumlah dari var x ∑ y = total jumlah dari var y ∑ x 2 = kuadrat total jumlah variabel x ∑ y 2 = kuadrat total jumlah variabel y Struktur BRNN yang dilakukan proses pelatihan akan menghasilkan beberapa model yang akan digunakan dalam proses estimasi. Model yang dihasilkan akan dilakukan pengujian dan evaluasi.
Pengujian Model BRNN yang dihasilkan pada tahap pelatihan kemudian dilakukan pengujian menggunakan data uji. Nilai hasil estimasi nutrisi pakan yang dihasilkan oleh model BRNN dibandingkan dengan data hasil observasi laboratorium untuk dievaluasi pada tahap selanjutnya.
9
Evaluasi Kinerja model BRNN akan diukur dengan menghitung nilai root mean square error (RMSE) dan mean absolute percentage error (MAPE). RMSE menghitung nilai akar dari jumlah selisih antara nilai yang sebenarnya dengan nilai yang diperkirakan kemudian dibagi dengan jumlah data estimasi. Sementara itu, MAPE adalah menghitung rata-rata persentase kesalahan (selisih) hasil estimasi terhadap nilai sebenarnya. RMSE menurut Walpole (1993) dan MAPE (Montgomery et al. 1990) dapat dirumuskan pada persamaan 16 dan persamaan 17. 1
RMSE=√n ∑ni=1 (Ŷi-Yi)2 1
(Yi-Ŷi)
MAPE= n ∑ni=1 | Yi | x 100%
(16) (17)
dengan Yi : nilai data sebenarnya Ŷi : nilai estimasi hasil model BRNN n : banyaknya data
Lingkungan Pengembangan Spesifikasi perangkat keras yang digunakan untuk penelitian ini adalah komputer personal dengan spesifikasi prosesor Intel Core i3-2370M 2.4 GHz, Sistem Operasi Windows 8 64 bit, memori 2 GB, dan hardisk 500 GB. Adapun perangkat lunak yang digunakan untuk penelitian ini adalah MATLAB R2010b dan Microsoft Excel 2010.
HASIL DAN PEMBAHASAN Pengumpulan Data Data yang digunakan pada penelitian ini diambil dari buku Tables of Composition and Nutritional Value of Feed Materials merupakan data hasil penelitian dari Rowett Research Institutte (INRA Perancis) yang diterbitkan pada tahun 2004 (Botems et al. 2004). Kandungan kimia yang dijadikan untuk proses estimasi dari setiap spesies tersebut adalah main constituents, sedangkan nilai nutrien yang diestimasi diambil dari data ruminant nutritive values. Data pakan ternak berjumlah 96 jenis pakan.
Praproses Data Pada tahap ini dilakukan praproses data (cleaning data) yaitu menghapus semua data jenis pakan yang memiliki data missing value. Data pakan ternak yang
10
berjumlah 96 jenis pakan setelah dilakukan praproses data, menjadi berjumlah 46 jenis pakan dapat dilihat pada Lampiran 1.
Pembagian Data Pembagian data latih dan data uji dilakukan dengan metode K-fold cross validation dengan nilai k=3. Pembagian data dilakukan dengan proporsi data latih sebanyak 2/3 dan data uji sebanyak 1/3 dari seluruh data jenis pakan yang berjumlah 46 jenis pakan. Skema pembagian data latih dan data uji ditunjukkan dalam Tabel 1. Tabel 1 Skema pembagian data latih dan data uji Data keFold ke1 – 15 16 - 30 31 – 46 1 data latih data latih data uji 2 data latih data uji data latih 3 data uji data latih data latih Pelatihan BRNN Proses pelatihan memakai 3 layer yaitu input layer, hidden layer, dan output layer. Input layer berjumlah 12 neuron, hidden layer berjumlah 5, 10, 15, 20, 25, 30, 35, 40, 45, dan 50 neuron serta output layer berjumlah 8 neuron, 6 neuron, dan 3 neuron. Pelatihan ini dicobakan dengan beberapa jumlah output layer dan jumlah hidden layer yang berbeda. Penelitian ini menggunakan fungsi pelatihan Bayesian regularization. Fungsi aktivasi yang digunakan pada hidden layer adalah fungsi tansig, dan pada output layer juga menggunakan fungsi tansig. Pelatihan dilakukan pada Matlab R2010b dengan perintah sebagai berikut: net=newff(pl',tl',5,{'tansig' 'tansig'},'trainbr'); net=train(net,pl',tl'); y=sim(net,pu'); target=tu'; e=abs(target-y); Langkah pertama yang dilakukan untuk membuat jaringan saraf tiruan (JST) pada Matlab yaitu membuat inisialisasi jaringan. newff adalah perintah pada Matlab yang digunakan untuk membentuk jaringan saraf tiruan dengan parameter net=newff(pl',tl',5,{'tansig' 'tansig'},'trainbr'); Perintah net merupakan JST yang terdiri dari beberapa layer, data input latih dituliskan dengan perintah pl'. Data output yang akan dilakukan pelatih yaitu tl’. Fungsi aktivasi JST yang digunakan untuk hidden layer dan output layer adalah {'tansig' 'tansig'}, sedangkan fungsi pelatihan yang digunakan adalah Bayesian regularization dengan memakai perintah 'trainbr'. Langkah selanjutnya adalah melakukan pelatihan JST pada data input latih dan data output latih yaitu
11
net=train(net,pl',tl');. Selanjutnya dibuat simulasi jaringan yang digunakan untuk menghitung output dari jaringan, dengan perintah berikut y=sim(net,pu');. Selanjutnya dihitung nilai kesalahan JST yang merupakan selisih dari target dengan output yang didapatkan, dengan perintah e=abs(target-y);. Pada awalnya model memiliki jumlah output sebanyak 8 neuron yaitu UFL, UFV, PDIA, ME, ED, OMD, ND, dan TID. Setelah dilakukan tahap evaluasi pada model ini, salah satu output PDIA memiliki nilai kesalahan estimasi yang cukup tinggi. Kemudian dilakukan analisis nilai korelasi antar masing-masing 8 output. Terdapat 2 buah input yang memiliki nilai korelasi paling rendah terhadap output lain yaitu PDIA dan ND. Selanjutnya dilakukan pelatihan dengan menggunakan 6 output yaitu UFL, UFV, ME, ED, OMD, dan TID. Hal ini diharapkan model akan mendapatkan hasil yang lebih baik dalam menemukan pola data saat dilakukan pelatihan pada output yang memiliki nilai korelasi yang tinggi. Saat dilakukan evaluasi pada model 6 output, terdapat 3 output mengalami penurunan nilai kesalahan estimasi dan 3 output mengalami kenaikan nilai kesalahan estimasi. Selanjutnya model dengan 6 output tersebut dipisahkan menjadi 2 model berbeda untuk output UFL, UFV, ME dan model dengan output ED, OMD, dan TID. Hal ini dilakukan untuk membandingkan nilai akurasi model BRNN yang menghasilkan estimasi terbaik terhadap data yang diujikan. Nilai korelasi dari setiap output dapat dilihat pada Tabel 2 dan struktur BRNN yang dibangun untuk mengestimasi nilai nutrisi pakan ditunjukkan pada Tabel 3. Dari struktur BRNN yang telah didefinisikan sebelumnya, dibangun sebuah model BRNN untuk mengestimasi nilai nutrien pakan ternak ruminansia yang ditunjukkan pada Gambar 3. Model BRNN pada Gambar 3 memiliki 3 jenis layer yaitu input layer, hidden layer, dan output layer. Input layer berjumlah 12 neuron, hidden layer berjumlah 5, 10, 15, 20, 25, 30, 35, 40, 45, dan 50 neuron serta output layer berjumlah 8 neuron, 6 neuron, dan 3 neuron. Neuron input layer dan neuron hidden layer dihubungkan dengan bobot dan fungsi aktivasi untuk memperbaharui bobot setiap neuron. Nilai bobot yang menghubungkan neuron input layer dengan neuron hidden layer dilambangkan dengan Vij dengan nilai i merupakan neuron input ke-i dan j merupakan neuron hidden ke–j. Sementara itu, nilai bobot yang menghubungkan neuron hidden layer dengan neuron output layer dilambangkan dengan Wij. Setiap neuron hidden layer dan output layer memiliki nilai bias masing-masing bernilai 1. Tabel 2 Nilai korelasi setiap output UFL UFL UFV PDIA ME ED OMD ND TID
UFV 0.99
PDIA 0.45 0.43
ME 0.99 0.98 0.45
ED 0.70 0.79 0.41 0.68
OMD 0.65 0.71 0.33 0.59 0.98
ND 0.42 0.40 0.47 0.44 0.40 0.32
TID 0.46 0.49 0.40 0.43 0.69 0.68 0.49
12
Tabel 3 Struktur BRNN untuk mengestimasi nilai nutrisi pakan ternak ruminansia Struktur ANN Keterangan Input layer 12 neuron Hidden layer Kelipatan 5 dimulai 5 sampai 50 neuron Output layer 8 neuron, 6 neuron, 3 neuron Fungsi pelatihan Fungsi transfer
Bayesian regularization Hidden layer: tansig Output layer: tansig
Epoch
1000 (maksimum)
Bias
Bias 1
O1
Vij 1
Wij
2
O2 2
3
O3
n
12 Input layer
Hidden layer
O8 Output layer
Gambar 3 Model BRNN untuk mengestimasi nilai nutrisi pakan ternak.
Pengujian Pengujian BRNN dilakukan berdasarkan pembagian data seperti ditunjukkan Tabel 1 menggunakan metode 3-fold cross validation. Untuk setiap pembagian data, dilakukan pengujian untuk struktur BRNN dengan jumlah neuron hidden layer antara selang 5 antara nilai 5 sampai 50 neuron hidden layer menggunakan fungsi pelatihan Bayesian regularization.
Evaluasi Setelah dilakukan pengujian, masing-masing model memiliki nilai RMSE dan MAPE. Untuk memilih model BRNN terbaik dapat dilihat berdasarkan nilai MAPE terkecil karena MAPE dapat merepresentasikan besar kesalahan estimasi dalam bentuk persentase kesalahan. Setiap kombinasi output dipilih 1 model terbaik.
13
Nilai RMSE dan MAPE untuk setiap kombinasi jumlah output dilihat pada Tabel 4. Tabel 4 Nilai MAPE dan RMSE Jumlah Output 8 output 6 output 3 output (UFL UFV ME) 3 output (ED OMD TID)
RMSE
MAPE
3.47 1.74 1.07 2.17
11.82 10.20 16.78 4.36
Model BRNN yang memiliki 8 output memiliki nilai MAPE sebesar 11.82 dengan jumlah neuron hidden layer sebanyak 50. Hal ini berarti kesalahan estimasi yang terdapat pada model ini sebesar 11.8 %. Model ini memiliki nilai RMSE sebesar 3.47. Model BRNN yang memilki output 6 memiliki nilai MAPE sebesar 10.20 dan RMSE sebesar 1.74 dengan jumlah hidden layer sebanyak 30 neuron. Model ini mengalami penurunan nilai RMSE dan MAPE dari model sebelumnya. Model yang memiliki 3 output (UFL,UFV, dan ME) memiliki nilai MAPE sebesar 16.78 dan RMSE sebesar 1.07 yaitu model yang memiliki jumlah hidden layer sebanyak 5 neuron. Pada model ini ternyata memiliki nilai MAPE yang paling besar namun memiliki RMSE yang paling kecil dibandingkan model lain. Model yang memiliki jumlah output 3 (ED, OMD, dan TID) memiliki nilai MAPE sebesar 4.36 dan nilai RMSE sebesar 2.17 yaitu model yang memiliki jumlah hidden layer sebanyak 20 neuron. Model ini memiliki MAPE atau persentase nilai kesalahan paling kecil dibandingkan dengan model sebelumnya. Perhitungan nilai MAPE untuk masing-masing model dapat dilihat pada Lampiran 2, Lampiran 3, Lampiran 4, Lampiran 5, Lampiran 6 dan Lampiran 7. Rincian nilai MAPE untuk setiap output dapat dilihat pada Tabel 5. Tabel 5 Rincian nilai MAPE untuk semua output Jumlah Output 8 output 6 output 3 output 3 output
UFL 9.67
UFV 10.46
PDIA 38.88
ME 8.64
ED 5.74
OMD 8.17
ND 5.14
TID 7.89
15.49 16.54 -
16.26 18.90 -
-
14.25 14.92 -
4.39 3.09
3.59 3.31
-
7.24 6.67
Terlihat dari Tabel 5, variabel output UFL, UFV, ME mengalami kenaikan nilai MAPE pada model 6 output dan model 3 output, sedangkan variabel output ED, OMD, dan TID mengalami penurunan nilai MAPE pada model 6 output dan model 3 output. Model BRNN 8 output memiliki rincian nilai kesalahan yang relatif kecil kecuali pada output PDIA yang memiliki kesalahan sampai 38%. Hal ini disebabkan karena variabel PDIA memiliki beberapa nilai pencilan atas seperti PDIA bernilai 429, pada saat dilakukan estimasi untuk nilai 429 diperoleh nilai estimasinya yaitu 175. Selisih antara nilai aktual dengan nilai estimasi besar yaitu 253. PDIA merupakan satu variabel output yang memberikan kesalahan terbesar pada model ini. Contoh hasil estimasi PDIA untuk beberapa jenis pakan dapat dilihat pada Tabel 6.
14
Tabel 6 Contoh rincian nilai PDIA dan hasil estimasi Pakan Wheat istillers’ grains Wheat gluten feed Corn gluten feed Corn gluten meal Maize bran Maize feed flour
Nilai PDIA 102 33 49 429 55 48
Hasil Estimasi 130.4 33.4 54.8 175.8 37.3 13.5
Selisih 28.4 0.4 5.8 253.2 17.7 34.5
Sehingga penelitian ini memilih model yang memiliki 8 output untuk melakukan estimasi komposisi kimia pakan ternak ruminansia dengan catatan bahwa output PDIA belum bisa dilakukan estimasi karna memiliki nilai MAPE yang lebih besar dari output lainnya. Nilai PDIA tidak bisa diestimasi melalui pendekatan komposisi kimia suatu pakan. Diperlukan faktor lain untuk bisa melakukan estimasi nilai PDIA seperti memperhatikan hal-hal yang mempengaruhi kualitas yaitu perlakuan pakan, suhu penyimpanan pakan, kelembaban pakan, dan sebagainya. Model BRNN yang memakai 8 output kemudian diukur koefisien determinasinya (R2). Tujuan dilakukan pengukuran koefisien determinasi adalah untuk melihat kekuatan hubungan antara nilai nutrisi pakan hasil estimasi dengan nilai aktual atau nilai nutrisi hasil observasi laboratorium. Koefisien determinasi (R2) dihitung untuk setiap variabel output yang diestimasi. Hasil perhitungan koefisien determinasi (R2) disajikan dalam Tabel 7. Tabel 7 Koefisien determinasi untuk model ANN dengan RMSE terkecil Nilai nutrisi pakan Koefisien determinasi (R2) UFL UFV PDIA ME ED OMD
0.593400 0.634500 0.726700 0.545800 0.758600
ND
0.727700 0.657200
TID
0.000004
Hasil perhitungan koefisien determinasi (R2) tersebut menunjukkan nilai yang relatif konstan untuk ketujuh output yang diestimasi. Nilai koefisien determinasi (R2) berkisar pada nilai 0.54 sampai 0.75 kecuali pada output TID yaitu sebesar 0.000004. Grafik perbandingan antara data hasil estimasi menggunakan BRNN dan nilai aktual hasil observasi laboratorium divisualisasikan pada Gambar 4.
15
UFL
UFV
2
y = 1.0928x - 0.1385 R² = 0.5934
y = 1.0762x - 0.1077 R² = 0.6345
Estimasi
Estimasi
2
1
1
0
0 0
1
2
0
1
Aktual
Aktual
ME 20
120 100 80 60 40 20 0
y = 0.3929x + 18.948 R² = 0.7267
Estimasi
Estimasi
PDIA
y = 1.072x - 1.3619 R² = 0.5458
15 10 5
0
20
40
60
80
0
100 120
0
Aktual
40
R² = 0.5934
15
20
80
Estimasi
Estimasi
60
10
OMD
100
80 y = 0.728x + 24.26 R² = 0.7586
5
Aktual
ED
100
y = 0.5575x + 41.043 R² = 0.7277
60 40 20
20
0
0 0
20
40
60
80
0
100
20
40
60
80
100
80
100
Aktual
Aktual
ND
TID 100
100 80
80
y = 1.0044x - 0.4033 R² = 0.6572
60
Estimasi
Estimasi
2
40
y = -0.0009x + 90.87 R² = 0.000004
60 40 20
20 0
0 0
20
40
60
Aktual
80
100
0
20
40
60
Aktual
Gambar 4 Grafik perbandingan nilai hasil estimasi BRNN dengan data aktual
16
Deskripsi Sistem Model BRNN diimplementasi pada software MATLAB R2010b menggunakan graphical user interface (GUI). Sistem mampu mengestimasi nilai nutrisi pakan ternak ruminansia berdasarkan nilai komposisi kimia pakan. Tampilan sistem terdiri atas 2 bagian yaitu input dan output. Bagian input memiliki 12 variabel yang diisi secara manual oleh user. Keluaran dari sistem ini terdiri atas 4 bagian yaitu model 8 output (UFL, UFV, PDIA, ME, ED, OMD, ND, dan TID), model 6 output ( UFL, UFV, ME, ED, OMD, dan TID), model 3 output (UFL, UFV, dan ME) dan model 3 output (ED, OMD, dan TID). Tampilan sistem estimasi disajikan pada Gambar 5.
Gambar 5 Tampilan awal sistem Sebagai contoh, nilai nutrisi pakan oats dilakukan estimasi berdasarkan nilai komposisi kimia pakan. User memasukkan input yang berupa komposisi kimia pakan oats sebanyak 12 variabel input. Kemudian sistem melakukan estimasi nilai nutrisi pakan oats. Sistem mengeluarkan output yang dapat dilihat pada Tabel 8 dan Gambar 6 sebagai berikut Tabel 8 Hasil estimasi pakan oats oleh sistem Jumlah Output Target 8 output 6 output 3 output 3 output
UFL 0.77 0.81 0.81 0.77 -
UFV 0.72 0.78 0.76 0.71 -
PDIA 16.00 10.00 -
ME 9.20 9.30 9.40 9.20 -
ED 65.00 73.00 62.00 65.00
OMD ND 67.00 55.00 80.00 56.00 69.00 70.00 -
TID 79.00 88.00 89.00 78.00
17
Gambar 6 Hasil estimasi pakan oats
SIMPULAN DAN SARAN Simpulan Penelitian ini telah berhasil membuat model Bayesian regularization neural network yang dapat mengestimasi nilai nutrisi dengan baik. Model Bayesian regularization neural network yang dipakai adalah model yang memiliki 8 neuron output dengan nilai MAPE sebesar 11.82 yang memiliki jumlah neuron hidden layer sebanyak 20. Output PDIA merupakan output yang memiliki nilai kesalahan estimasi paling besar sehingga output PDIA sulit untuk diestimasi secara akurat pada penelitian ini. Perlu faktor lain untuk mengestimasi PDIA.
Saran Penelitian selanjutnya perlu dilakukan pembaharuan data pakan ternak ruminansia beserta kandungan kimianya, karena informasi ini akan terus bertambah seiring waktu yang dihasilkan dari hasil pengujian laboratorium. Sistem dilengkapi dengan database yang menyimpan nama-nama pakan beserta komposisi kimianya. Hal ini dapat memudahkan user dapat melakukan masukan data komposisi kimia pakan tertentu. Sebaiknya sistem mampu menampilkan jenis pakan yang baru yang memiliki kemiripan dengan pakan yang dibuat di database.
18
DAFTAR PUSTAKA Botems V, Noblet J, Chapoutot P, Perez JM, Doreau B, Peyraud JL, Jondreville C, Rulquin H, Kaushik SJ, Sauvant D et al. 2004. Tables of Composition and Nutritional Value of Feed Materials, Ponter A, penerjemah; Sauvant D, Perez JM, Tran G, editor. Den Haag (NL): INRA. Terjemahan dari: Table de composition et de valuer nutritive des matieres premieres destinees aux animaux d’elevage. Ed ke-2. Fausett L. 1994. Fundamentals of Neural Networks Architectures, Algorithms, and Applications. New Jersey (US): Prentice Hall. Febrisahrozi D. 2014. Estimasi utilisasi nutrien melalui komposisi kimia pada pakan ternak ruminansia menggunakan metode artificial neural network [skripsi]. Bogor (ID): Institut Pertanian Bogor. Foresee FD, Hagan MT. 1997. Gauss-Network Approximation to Bayesian Learning. Di dalam: Proceedings of the International Joint Conference on Neural Networks. Oklahoma City (KO): Oklahoma State University. hlm 19301935. 1997 Jun; [tempat pertemuan tidak diketahui] Han J, Kamber M, Pei J. 2012. Data Mining Concept and Techniques. 3rd Edition. Waltam (US): Morgan Kaufmann. Hartadi H, Lebdosukojo S, Reksohadiprodjo S, Tillman AD, Kearl LC, Harris LE. 1980. Tabel-Tabel dari Komposisi Bahan Makanan Ternak untuk Indonesia. Utah (US): International Feedstuffs Institute. Kaur H, Salaria DS. 2013. Bayesian regularization based neural network tool for software effort estimation.Global Journal of Computer Science and Technology Neural and Artificial Intelligence. 8(2):44-50. Montgomery DC, Johnson LA, Gardiner JS. Forecasting and Time Series Analysis. Singapore (SG): The Universities Press Ltd. Nazilah R. 2004. Kajian interaksi sifat fisik dan kimia bahan pakan serta kecernaan lemakpada kambing [skripsi]. Bogor (ID): Institut Pertanian Bogor. Subandriyo. 2000. Pendugaan kualitas bahan pakan untuk ternak ruminansia. [skripsi]. Bogor (ID): Institut Pertanian Bogor. Yunilas. 2009. Bioteknologi Jerami Padi melalui Fermentasi Sebagai Bahan Pakan Ternak Ruminansia. Medan (ID): Karya Ilmiah Departemen Peternakan Fakultas Pertanian Universitas Sumatera Utara Medan. Walpole RE. 1993. Pengantar Statistika. Ed ke-3. Sumantri B, penerjemah. Jakarta (ID): Gramedia. Terjemahan dari: Introduction to Statictics.
Lampiran 1 Kandungan nilai main constituents dan ruminant nutritive values pada pakan ternak ruminansia setelah praproses data
Nama Pakan
Cru Crude de fibre prote % in %
Main constituents (input) Neut Acid Water Inso Acid ral detr insolu Ether lu deterg deter gent ble extract Ash % ble ent gent lig cell % ash fibre fibre nin walls % % % % %
Ruminant nutritive value (output)
Starch %
Total sugar %
Gross energy MJ/kg
UFL per kg
UFV per kg
PDI ME A kcal/kg g/kg
Ed %
OM D %
ND %
TID %
Barley
10.1
4.6
1.8
2.2
0.5
18.7
5.5
1
14.9
52.2
2.1
15.9
0.9
0.93
30
10.7
81
83
66
91
Maize
8.1
2.2
3.7
1.2
0
10.4
2.6
0.5
9.1
64.1
1.6
16.2
1.0
1.06
46
11.7
86
89
66
90
Oat
9.8
12.2
4.8
2.7
0.8
32.8
14.9
2.5
32.7
36.2
1.1
17.2
0.7
0.71
16
9.2
65
67
55
79
Shorgum
9.4
2.4
2.9
1.4
0.1
9.4
3.8
1.1
8.5
64.1
1.1
16.3
1.05
1.06
50
11.7
86
88
69
78
Triticale
9.6
2.3
1.4
1.9
0
12.7
3.2
1
10.6
59.9
2.7
15.7
1.01
1.02
20
11.3
85
88
69
90
Wheat.soft
10.5
2.2
1.5
1.6
0.1
12.4
3.1
1
9.7
60.5
2.4
15.8
1.02
1.02
26
11.3
86
88
70
92
Wheat bran
14.8
9.2
3.4
5
0.1
39.6
11.9
3.4
38.5
19.8
6.7
16.4
0.82
0.77
33
9.6
71
73
68
80
Wheat middlings
15.5
7
3.6
4.3
0.2
31.3
9.2
2.6
30.7
27.7
6.2
16.7
0.9
0.87
36
10.4
76
78
70
87
Wheat bran. durum
14.6
10.1
4.4
4.9
0.1
43.2
13
3.7
41.8
19.9
6.6
16.6
0.8
0.74
31
9.4
69
71
67
80
Wheat distillers’ grains.starch
33.8
9.2
6.5
3.6
0
37.9
14.6
4
36.4
3.8
0.8
19.3
0.96
0.9
102
11.2
75
74
76
85
Wheat gluten feed. starch
14.5
6.1
2.8
4.1
0.3
28.5
8.4
2.7
27.1
27.9
5.5
16.7
0.94
0.91
33
10.7
78
80
70
85
Corn gluten feed
19.3
7.5
2.7
6.1
1.5
33.8
8.8
1.1
32.8
18
1.7
16.4
0.93
0.91
49
10.7
80
82
74
85
Corn gluten meal
60.6
1.1
2.5
1.8
0.1
2.3
0.7
0.2
3.4
17.2
0.3
20.6
1.32
1.32
429
14.7
98
96
81
90
Maize bran
10.8
12.8
3.6
6
1.2
52.2
14.6
2.3
54.1
29.9
2.2
16.6
0.78
0.73
55
9.3
68
70
62
80
Maize feed flour
9
5.8
5.4
2.3
0.1
25.6
6.9
1.1
28.3
45.6
2.5
16.9
1.06
1.06
48
11.8
84
86
67
85
Rice bran. extracted
14.4
9.3
3.1
11.5
1.5
24.1
11.3
3.9
25.5
30.2
2.3
15.9
0.69
0.62
65
8.3
64
68
65
80
Rice bran. full fat
13.8
7.8
16.4
8.2
0.7
20.5
8.9
3.2
23.8
27.4
2.9
19.4
0.92
0.86
39
10.9
69
70
64
80
7.7
1.1
1.2
0.9
0.4
5.2
1.3
0.6
2.3
77.1
0.4
15.8
1.07
1.08
22
11.7
88
91
67
90
Rice. broken Chickpea
19.9
3.5
6
3
0
9.3
3.7
0.2
10.5
44.8
5.2
17.5
1.19
1.21
42
13.1
92
93
78
92
Cottonseed. full fat 146
21.2
23.4
19.1
3.9
0.1
38.3
29.6
8.4
45.5
0
1.5
21.8
0.94
0.85
48
11.3
66
64
71
71
Lupin. blue
30.7
14.9
5.3
3.4
0.1
22.3
17.7
1.6
32.9
0
5.5
18.3
1.13
1.12
64
12.6
89
89
80
89
Lupin. white
34.1
11.4
8.4
3.5
0.2
18.9
13.7
0.9
29.8
0
6.4
18.8
1.18
1.18
47
13.2
91
90
80
89
Pea
20.7
5.2
1
3
0.1
12
6
0.3
12.8
44.6
3.9
15.8
1.04
1.05
29
11.6
90
92
78
91
19
20
Lanjutan
Nama Pakan
Inso luble ash %
Cru Crude Ether de Ash fibre extract prote % % % in %
Main constituents (input) Neu Acid Acid tral deter deter deter gent gent gent fibre lignin fibre % % %
Ruminant nutritive value (output) Water inso luble Starch cell % walls %
Total sugar %
Gross energy MJ/kg
UFL per kg
UFV per kg
PDI A g/kg
ME kcal/ kg
Ed %
O M d %
Nd %
TI D %
Rapeseed. full fat
19.1
8.2
42
4
0.3
17.6
12.4
5.5
20.5
0
5.1
26.4
1.68
1.68
36
18.7
87
83
75
80
Soybean. full fat. extruded
34.8
5.2
17.9
5.2
1.1
11
6.4
1
20
0
7.7
20.4
1.27
1.27
180
14.2
90
88
79
88
16
15.5
44.6
3.4
0
28.8
18.7
5.7
30
0
2.4
26.7
1.44
1.39
16
16.6
77
72
69
80
Copra meal. expeller
20.5
12.8
8.2
6.2
0.1
49.7
26.1
6.1
41
0
10.3
18.2
0.95
0.91
101
11
76
76
75
89
Cottonseed meal.crude fibre 7-14%
42.6
11.9
2.9
6.7
1
24.8
16.5
5.5
28.1
0
6.3
18.7
0.94
0.89
166
11
78
78
78
90
Cottonseed meal.crude fibre 14-20%
36.3
16.9
2.7
6.5
0.1
31.8
22.2
6.8
35.5
0
2.4
18.3
0.8
0.73
135
9.6
69
69
76
86
Palm kernel meal.expeller
14.8
17.9
8.5
4.1
3
65.8
40.4
12.1
58
0
2
18.2
0.84
0.77
74
10
68
68
71
79
Rapeseed meal
33.7
12.4
2.3
7
1.4
28.3
19.6
9.5
32.7
0
7.7
17.1
0.85
0.8
92
10
76
77
78
79
Soybean meal. 46
43.3
6.1
1.7
6.5
0.2
12.4
7.4
0.4
19.2
0
8.5
17.1
1.05
1.04
169
11.8
92
92
80
95
Soybean meal. 48
45.3
6
1.9
6.4
0.3
12.2
7.3
0.7
19.1
0
8.3
17.3
1.06
1.05
177
11.9
92
92
80
95
Soybean meal. 50
47.2
3.9
1.5
6.3
0.3
8.9
4.8
0.4
15.9
0
9.2
17.2
1.06
1.06
186
11.9
93
93
80
96
Sunflower meal. partially decorticated
33.4
21.2
1.7
6.7
0.3
35.9
24.7
8.2
38.5
0
5.7
17.4
0.66
0.57
76
8.1
61
62
75
89
Sunflower meal. undecorticated
27.7
25.5
2
6.2
0.6
41.1
29.3
10.1
45
0
5.2
17.2
0.56
0.46
59
7
53
54
71
84
Cassava. starch 67%
2.7
4.4
0.7
5.5
2.7
8.5
6.1
2.1
9.4
67
2
14.5
0.91
0.9
11
10.1
82
87
36
85
Cassava. starch 72%
2.5
2.9
0.5
2.3
0.3
6.3
4.1
1.2
11.1
71.6
2.4
14.9
0.99
1
10
10.9
86
90
37
85
Beet pulp. dried
8.1
17.3
0.9
6.8
1.6
40.5
20.6
1.9
58.6
0
6.6
15.2
0.89
0.87
37
10
81
84
71
85
Beet pulp. dried. molasses added
8.8
17.1
0.6
6.3
1.4
40.1
20.4
1
58
0
8.9
15.1
0.88
0.87
22
10
81
84
71
85
Beet pulp. pressed
2.1
5
0.1
1.6
0.3
11.6
5.8
0.4
16.7
0
1.2
4.1
0.24
0.23
8
2.7
80
83
69
85
Carob pod meal
4.4
7.3
0.4
3
0
27.1
23.3
13
33.1
0.6
39.8
14.7
0.7
0.65
14
8.3
67
70
38
65
Citrus pulp. dried
6.3
12.1
2.2
0.6
0.3
19.3
13.8
2.5
33.1
2.9
20.3
15.7
0.98
0.98
22
11
84
88
68
92
Soybean hulls
12
34.2
2.2
4.7
0.2
56.4
40.4
2.1
61.8
0
1.5
16.3
0.9
0.87
40
10.4
80
82
78
67
Alfalfa.dehydrated.protein<16%drymatter
13.8
29.2
2.2
9.9
1
45.9
33.1
8.3
45.3
0
3.2
0.4
0.6
0.51
43
7.4
56
60
65
70
Alfalfa.dehydrated.protein18-19%drymatter
16.7
25.7
2.6
10.6
1.8
41.8
29.5
7.5
43.3
0
4.2
16.3
0.63
0.55
56
7.7
60
63
69
75
Sunflower seed. full fat
Lampiran 2 Nilai aktual dan hasil estimasi pada model 8 output Nama Pakan
Nilai
Aktual
Hasil Estimasi
ME
ED
OMD
ND
TID
UFL
UFV
PDIA
UFL
UFV
PDIA
Barley
0.95
0.93
30
10.70
81
83
66
91
0.80160
0.80772
12.55737
Maize
1.06
1.06
46
11.70
86
89
66
90
1.09812
1.12028
Oat
0.77
0.71
16
9.20
65
67
55
79
0.81308
Shorgum
1.05
1.06
50
11.70
86
88
69
78
Triticale
1.01
1.02
20
11.30
85
88
69
heat.soft
1.02
1.02
26
11.30
86
88
Wheat bran
0.82
0.77
33
9.60
71
Wheat middlings
0.90
0.87
36
10.40
Wheat bran. durum Wheat distillers’ grains. starch Wheat gluten feed. starch 28%
0.80
0.74
31
0.96
0.90
0.94
Corn gluten feed
ME
ED
OMD
ND
TID
9.08345
86.11230
90.56782
59.41927
88.75963
16.07813
12.08228
89.84105
91.92103
66.73965
87.88084
0.78189
10.48778
9.285952
72.98459
80.38955
55.50646
88.05070
1.09098
1.10403
18.00047
11.99586
88.31545
91.34187
65.98542
89.03054
90
1.06310
1.07886
18.05546
11.74042
88.86538
91.64921
63.65589
89.85326
70
92
1.04608
1.06107
19.20298
11.56025
88.71393
91.59485
67.60975
90.18279
73
68
80
0.78820
0.74443
49.73386
9.27847
74.16222
80.68911
73.53742
93.69964
76
78
70
87
0.84382
0.81320
36.60472
9.83396
78.70949
85.14938
72.23360
92.60064
9.40
69
71
67
80
0.84132
0.79651
52.42082
9.86300
74.47822
80.79579
73.47707
93.64409
102
11.20
75
74
76
85
1.01528
0.98989
130.48200
11.74855
84.85234
83.81034
79.11630
91.42399
0.91
33
10.70
78
80
70
85
0.74487
0.72003
33.47420
8.71287
77.10495
84.00461
68.86909
91.50801
0.93
0.91
49
10.70
80
82
74
85
0.51766
0.49419
54.83854
6.262108
73.24296
77.70566
77.02858
90.46830
Corn gluten meal
1.32
1.32
429
14.70
98
96
81
90
1.26467
1.29106
175.89120
13.86755
92.92867
92.89394
79.94209
95.58532
Maize bran
0.78
0.73
55
9.30
68
70
62
80
0.63901
0.60356
37.33838
7.80691
72.48819
78.96163
65.90893
89.22274
Maize feed flour
1.06
1.06
48
11.80
84
86
67
85
1.05730
1.05527
13.51815
11.94007
85.94910
90.47735
59.44344
89.96669
21
22
Lampiran 3 Nilai kesalahan hasil estimasi pada model 8 output
Nama Pakan
Kuadrat Kesalahan UFL
UFV
PDIA
ME
ED
OMD
ND
0.014951
304.2452
2.613229
26.13558
57.27195
43.306
5.019245
0.014951
0.003634
895.318
0.146135
14.75363
8.532397
0.547075
4.490836
0.003634
0.005169
30.38461
0.007388
63.75367
179.28
0.2565
81.9152
0.005169
0.001939
1023.97
0.087536
5.361314
11.16806
9.087667
121.6727
0.001939
0.003465
3.781217
0.193971
14.94113
13.31671
28.55948
0.021534
0.003465
0.001687
46.19947
0.067732
7.365418
12.92293
5.713276
3.302244
0.001687
0.000654
280.0221
0.103379
9.99966
59.12241
30.66306
187.6801
0.000654
0.003226
0.365692
0.3204
7.341316
51.11361
4.988955
31.36714
0.003226
0.003194
458.8516
0.214377
30.0109
95.95747
41.95243
186.1612
0.003194
Wheat distillers’ grains
0.00808
811.2245
0.300908
97.06867
96.24279
9.711347
41.2677
0.00808
Wheat gluten feed
0.036088
0.224864
3.948653
0.80112
16.03691
1.278954
42.35425
0.036088
0.172896
34.08849
19.69489
45.65764
18.44134
9.17232
29.90226
0.172896
0.000837
64064.08
0.692966
25.71841
9.647603
1.119182
31.19585
0.000837
0.015985
311.9327
2.229306
20.14388
80.31078
15.27976
85.059
0.015985
2.23E-05
1188.998
0.019619
3.798995
20.0467
57.10159
24.66803
2.23E-05
Barley Maize Oat Shorgum Triticale heat.soft Wheat bran Wheat middlings Wheat bran. durum
Corn gluten feed Corn gluten meal Maize bran Maize feed flour
TID
Lampiran 4 Nilai MAPE hasil estimasi pada model 8 output
Nama Pakan
MAPE UFL
UFV
PDIA
ME
ED
OMD
ND
TID
15.6206
13.14787
58.14208
15.10793
6.311478
9.117859
9.970802
2.46194
3.59643
5.687273
65.04753
3.267317
4.466332
3.282052
1.120674
2.35462
5.595419
10.12613
34.4514
0.934257
12.28398
19.9844
0.920833
11.45658
3.902861
4.154413
63.99907
2.528754
2.692385
3.797574
4.36895
14.14171
5.257635
5.770953
9.722676
3.897532
4.547501
4.146825
7.745083
0.16305
2.557507
4.026425
26.14238
2.303128
3.155733
4.085054
3.414637
1.975226
3.877829
3.320064
50.70867
3.349225
4.453836
10.53303
8.14327
17.12455
6.24166
6.528256
1.679791
5.442679
3.565113
9.16587
3.190853
6.437514
5.165279
7.637022
69.09943
4.925624
7.93945
13.79688
9.667268
17.05511
Wheat distillers’ grains
5.758492
9.987916
27.92353
4.897773
13.13646
13.25722
4.100399
7.55764
Wheat gluten feed
20.75824
20.87562
1.436964
18.57123
1.147504
5.005764
1.615583
7.65648
44.33742
45.69317
11.91538
41.47563
8.446304
5.236998
4.092681
6.43328
4.191469
2.191773
58.99973
5.662895
5.174828
3.235478
1.306067
6.20591
18.0745
17.31955
32.11203
16.05469
6.600285
12.80233
6.304731
11.5284
0.253993
0.445504
71.83718
1.187008
2.320358
5.206226
11.27845
5.84316
Barley Maize Oat Shorgum Triticale heat.soft Wheat bran Wheat middlings Wheat bran. durum
Corn gluten feed Corn gluten meal Maize bran Maize feed flour
23
24
Lampiran 5 Nilai aktual dan hasil estimasi pada model 6 output Nama Pakan UFL
UFV
Nilai
Aktual
ME
ED
Hasil Estimasi OMD
TID
UFL
UFV
ME
ED
OMD 87.46461
TID
Barley
0.95
0.93
10.7
81
83
91
0.739306
0.734377
8.414238
81.01702
86.47586
Maize
1.06
1.06
11.7
86
89
90
1.052088
1.072208
11.57088
90.21939
91.90214
88.03073
Oat
0.77
0.71
9.2
65
67
79
0.807294
0.763874
9.355484
62.03575
68.97029
89.03346
Shorgum
1.05
1.06
11.7
86
88
78
1.074384
1.091002
11.83972
89.01325
91.4733
87.57598
Triticale
1.01
1.02
11.3
85
88
90
0.996772
1.009744
11.05037
88.95933
91.56308
89.26508
heat.soft
1.02
1.02
11.3
86
88
92
0.999561
1.013066
11.07553
88.71623
91.47196
89.49841
Wheat bran
0.82
0.77
9.6
71
73
80
0.605635
0.562103
7.294368
68.63065
74.94573
90.9045
Wheat middlings
0.9
0.87
10.4
76
78
87
0.633129
0.599841
7.541056
75.08187
81.41721
89.11708
Wheat bran. durum
0.8
0.74
9.4
69
71
80
0.698365
0.646327
8.360353
66.46024
72.2058
91.67633
Wheat distillers’ grains. starch < 7%
0.96
0.9
11.2
75
74
85
1.014294
0.969736
11.70306
77.48255
74.90319
90.68481
Wheat gluten feed. starch 28%
0.94
0.91
10.7
78
80
85
0.610427
0.583689
7.229171
75.17399
81.48517
87.90966
Corn gluten feed
0.93
0.91
10.7
80
82
85
0.410716
0.380251
4.934771
69.92177
71.6093
91.07024
Corn gluten meal
1.32
1.32
14.7
98
96
90
1.241778
1.244013
13.83197
92.84325
92.91919
95.8978
Maize bran
0.78
0.73
9.3
68
70
80
0.78453
0.716767
9.325058
64.18458
70.93465
92.71099
Maize feed flour
1.06
1.06
11.8
84
86
85
0.768937
0.74703
8.886189
78.54003
84.86135
87.20896
Lampiran 6 Nilai MAPE hasil estimasi pada model 6 output Kuadrat
Nama Pakan UFL
UFV
ME
Barley
0.044392
0.038268
5.224708
Maize
6.26E-05
0.000149
Oat
0.001391
Shorgum
kesalahan ED
Mape OMD
TID
0.00029
19.93278
20.46785
0.016671
17.80322
8.422436
0.002902
0.024175
8.786795
0.000595
0.000961
0.019521
Triticale
0.000175
0.000105
heat.soft
0.000418
Wheat bran
UFL
UFV
ME
ED
OMD
TID
22.17832
21.0347
21.36226
0.021008
5.379054
4.971583
3.878041
0.746379
1.15174
1.103553
4.906263
3.260835
2.188082
3.882043
100.6704
4.843315
7.587905
1.690042
4.560389
2.940731
12.70059
9.079669
12.06381
91.69935
2.322299
2.924703
1.194169
3.503778
3.946932
12.27689
0.062314
15.67628
12.69553
0.540102
1.309678
1.005538
2.209102
4.658033
4.048953
0.816574
4.81E-05
0.050385
7.37791
12.05448
6.257949
2.003821
0.6798
1.98643
3.158409
3.945405
2.719119
0.045953
0.043221
5.315939
5.613842
3.785861
118.9081
26.14213
26.99959
24.017
3.337119
2.665382
13.63063
Wheat middlings
0.071220
0.072986
8.17356
0.842967
11.67735
4.482048
29.65232
31.05277
27.48984
1.208069
4.381044
2.433431
Wheat bran. durum
0.010330
0.008775
1.080865
6.450399
1.453946
136.3367
12.70441
12.65846
11.06007
3.680817
1.698305
14.59541
Wheat distillers’ grains
0.002948
0.004863
0.253070
6.16303
0.815752
32.31703
5.655575
7.748458
4.491612
3.31006
1.220527
6.688009
Wheat gluten feed
0.108618
0.106479
12.046660
7.986306
2.205719
8.466131
35.06094
35.85839
32.43766
3.623084
1.856458
3.423131
Corn gluten feed
0.269656
0.280634
33.23787
101.5707
107.9666
36.84776
55.83703
58.21418
53.88065
12.59779
12.67158
7.141454
Corn gluten meal
0.006119
0.005774
0.753474
26.59204
9.491361
34.78406
5.925923
5.756577
5.904958
5.261987
3.209172
6.553113
Maize bran
2.05E-05
0.000175
0.000628
14.55744
0.873572
161.5694
0.580798
1.812713
0.269445
5.610914
1.335215
15.88874
Maize feed flour
0.084717
0.09795
8.490297
29.81129
1.296524
4.879512
27.45873
29.52546
24.69332
6.499966
1.324012
2.598778
25
26
Lampiran 7 Nilai MAPE hasil estimasi pada model 3 output Nama Pakan
Nilai
Aktual
UFL
UFV
ME
Hasil
estimasi
UFL
UFV
Kuadrat kesalahan ME
UFL
UFV
Mape
ME
UFL
UFV
ME
Rice bran. extracted
0.69
0.62
8.3
0.889293
0.848517
10.29007
0.039718
0.05222
3.960376
28.88304
36.85765
23.97674
Rice bran. full fat
0.92
0.86
10.9
1.033275
1.03588
11.51267
0.012831
0.030934
0.375366
12.31248
20.45115
5.620833
Rice. broken
1.07
1.08
11.7
0.977204
0.971169
10.91468
0.008611
0.011844
0.616723
8.672557
10.07698
6.712114
Chickpea
1.19
1.21
13.1
1.166782
1.173239
13.01255
0.000539
0.001351
0.007648
1.951069
3.038083
0.667572
Cottonseed. full fat 146
0.94
0.85
11.3
1.039893
1.041043
11.59500
0.009979
0.036497
0.087022
10.62692
22.47567
2.610579
Lupin. blue
1.13
1.12
12.6
1.081871
1.081063
12.14500
0.002316
0.001516
0.207024
4.25921
3.476545
3.611103
Lupin. white
1.18
1.18
13.2
1.137164
1.143697
12.69795
0.001835
0.001318
0.252052
3.630145
3.076544
3.803395
Pea
1.04
1.05
11.6
1.001568
1.008645
11.10592
0.001477
0.00171
0.244116
3.695389
3.938574
4.259319
Rapeseed. full fat
1.68
1.68
18.7
1.08937
1.101958
12.04464
0.348844
0.334132
44.29379
35.15655
34.40725
35.59015
Soybean. full fat. extruded
1.27
1.27
14.2
1.165536
1.170135
13.02959
0.010913
0.009973
1.369853
8.225535
7.863351
8.242305
Sunflower seed. full fat
1.44
1.39
16.6
1.028728
1.04212
11.33041
0.169145
0.12102
27.76862
28.56057
25.02733
31.74454
Copra meal. expeller
0.95
0.91
11
0.728357
0.662992
8.652249
0.049125
0.061013
5.511936
23.3308
27.14376
21.34319
Cottonseed meal. crude fibre 7-14%
0.94
0.89
11
1.074822
1.055352
12.23746
0.018177
0.027341
1.531303
14.34278
18.57884
11.24962
Cottonseed meal. crude fibre 14-20%
0.80
0.73
9.6
0.767032
0.694127
9.173364
0.001087
0.001287
0.182018
4.120962
4.914046
4.444125
Palm kernel meal. expeller
0.84
0.77
10
0.332725
0.291066
4.001105
0.257328
0.229377
35.98674
60.38991
62.19918
59.98895
Lampiran 8 Nilai MAPE hasil estimasi model 3 output Nilai Aktual
Nama Pakan
Hasil Estimasi
Kuadrat Kesalahan
Mape
ED
OMD
TID
ED
OMD
TID
ED
OMD
TID
ED
OMD
TID
Barley
81
83
91
81.76475
87.04874
85.18003
0.58483
16.39231
33.87204
0.94413
4.878003
6.395571
Maize
86
89
90
90.36629
91.96751
89.89906
19.06446
8.806102
0.010188
5.077077
3.334278
0.112153
Oat
65
67
79
65.01523
70.39465
78.45726
0.00023
11.52368
0.294567
0.023433
5.066648
0.687013
Shorgum
86
88
78
88.93804
91.36655
88.82970
8.63207
11.33364
117.2825
3.416325
3.825622
13.88424
Triticale
85
88
90
89.28568
91.51687
89.46250
18.36708
12.36840
0.288904
5.04198
3.996448
0.59722
heat.soft
86
88
92
88.82743
91.30604
89.42413
7.99433
10.92993
6.635113
3.287704
3.756868
2.79986
Wheat bran
71
73
80
69.99259
74.43208
93.39050
1.01487
2.05085
179.3054
1.418889
1.961754
16.73812
Wheat middlings
76
78
87
76.34235
80.74798
89.65495
0.11720
7.55139
7.048774
0.450462
3.523052
3.05167
Wheat bran. durum
69
71
80
67.82925
72.01070
93.88326
1.37064
1.02152
192.7448
1.696735
1.423526
17.35407
Wheat distillers’ grains
75
74
85
75.26700
72.93057
91.30818
0.07128
1.14367
39.79319
0.356001
1.445169
7.421394
Wheat gluten feed
78
80
85
75.59412
80.17040
86.69811
5.78827
0.02903
2.883567
3.084467
0.212998
1.997773
Corn gluten feed
80
82
85
73.90621
75.24316
89.97303
37.13422
45.65486
24.73105
7.617231
8.240046
5.850627
Corn gluten meal
98
96
90
92.63322
92.78111
95.75356
28.80233
10.36126
33.10348
5.476306
3.353011
6.392847
Maize bran
68
70
80
63.32435
67.39892
93.06319
21.86172
6.76561
170.6468
6.875959
3.715827
16.32898
Maize feed flour
84
86
85
82.62313
86.85563
85.45338
1.89577
0.73211
0.205554
1.639132
0.994924
0.53339
27
28
RIWAYAT HIDUP Penulis dilahirkan di Batusangkar, Sumatera Barat pada tanggal 8 Juni 1993. Penulis merupakan anak pertama dari tiga bersaudara, putri dari pasangan ayahanda Syahrul Ramadhan dan ibunda Gusneli. Pendidikan SMA penulis diselesaikan di SMA Negeri 1 Batusangkar pada tahun 2008 sampai 2011. Penulis diterima sebagai mahasiswa di Institut Pertanian Bogor pada tahun 2011 melalui jalur SNMPTN Undangan pada Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama menjadi mahasiswa, penulis aktif di ikatan pelajar dan mahasiswa minangkabau (IPMM) dan ikatan mahasiswa serambi mekkah dan pagaruyung (IMASERAMPAG). Penulis pernah melakukan praktek kerja lapang (PKL) di Kantor Pusat PLN Jakarta Selatan pada tahun 2014.
