OPTIMASI KOMPOSISI PAKAN KAMBING POTONG MENGGUNAKAN ALGORITMA GENETIKA

OPTIMASI KOMPOSISI PAKAN KAMBING POTONG MENGGUNAKAN ALGORITMA GENETIKA Dyah Pramesti1), Wayan Firdaus Mahmudy2), Indriati2) Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya, Malang 65145, Indonesia Email : [email protected] ABSTRAK Permasalahan yang sering terjadi dalam usaha ternak kambing potong adalah penggunaan bahan pakan yang belum efisien. Kesalahan dalam menentukan bahan pakan yang digunakan selama ini berdampak pada rendahnya kandungan nutrisi yang diberikan kepada kambing potong yang mengakibatkan kambing potong tersebut tidak tumbuh dan berkembang dengan baik. Dalam sudut pandang ekonomi, pembelian bahan pakan ternak menjadi biaya tertinggi dalam usaha peternakan,

sehingga biaya tersebut harus ditekan serendah

mungkin untuk memaksimalkan pendapatan. Mengoptimalkan penyusunan bahan pakan (ransum) kambing potong merupakan cara untuk menekan biaya pembelian bahan pakan serta untuk memaksimalkan keuntungan maupun pendapatan. Dalam kasus ini digunakan algoritma genetika untuk mengoptimasi komposisi bahan pakan kambing potong. Digunakan representasi kromosom real code dengan panjang kromosom yang didapatkan dari jumlah bahan pakan yang diinputkan. Metode crossover yang digunakan pada penelitian ini adalah extended intermediate crossover dan metode mutasi yang digunakan adalah random mutation. Dan untuk seleksi menggunakan metode ellitsm selection. Solusi optimal diperoleh dari ukuran populasi yaitu 200, crossover rate sebesar 0,1 dan mutation rate 0,5 serta jumlah generasi sebanyak 200 dengan nilai fitness 0.000167046. Kata Kunci : Algoritma genetika, optimasi pakan ,pakan kambing potong. ABSTRACT The common problem that mostly happened in animal husbandry of goat is the insufficient usage of fodder. A simple mistake in choosing the fodder caused the goat to having a little nutrition in their body. That surely make the goat not growing breed well. In the economic point of view, the purchase of fodder becomes the highest cost in factory farming, so the cost should be reduced as low as possible to maximize the revenue. Optimizing the preparations of goat’s fodder is a way to reducing the cost, that can also increasing the revenue. In this case, a genetic algorithm is used to optimizing the goat’s fodder. Real code chromosome is used with chromosome length that obtained from the amount of feed ingredients entered. The crossover method that used in this research is the extended intermediate crossover and the mutation method that used is random mutation. The selection used ellitsm selection method. The optimal solution from a population size is 200, 0.1 for the crossover rate, 0.5 for the mutation rate and the generation number of 200 with fitness value 0.000167046.

Pramesti, D, Mahmudy, WF & Indriati 2015, 'Optimasi komposisi pakan kambing potong menggunakan algoritma genetika ', DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 13.

Keywords : Genetic algorithms, Optimizing the preparations of goat’s fodder, feed of goat

1.

Karena algoritma genetika telah berhasil

Pendahuluan

diterapkan pada beberapa masalah kompleks, pada

1.1. Latar Belakang Kambing potong adalah hewan ternak yang banyak

skripsi ini algoritma genetika digunakan untuk

dipelihara oleh masyarakat Indonesia terutama di

membuat aplikasi “Optimasi Komposisi Pakan

pedesaan.

Kambing

Menurut

data

staitistik,

kebutuhan

Potong

menggunakan

Algoritma

konsumsi daging kambing dan domba dalam negeri

Genetika” dengan harapan aplikasi ini dapat

sekitar 5,6 juta ekor setiap tahunnya (Gunawan,

membantu

2013). Penggunaan bahan pakan yang belum efisien

kambing potong untuk membantu para peternak

menjadi salah satu hal penghambat usaha ternak

kambing potong dalam menentukan komposisi

kambing. Kesalahan dalam menentukan bahan

pakan kambing yang tepat dengan biaya yang

pakan yang digunakan selama ini berdampak pada

efisien.

rendahnya kandungan nutrisi yang diberikan kepada

pakan pada hewan kambing potong dapat dihindari

kambing yang mengakibatkan kambing tersebut

untuk mendapatkan kambing potong yang memiliki

tidak tumbuh dan berkembang dengan baik sehingga

kandungan nutrisi sesuai.

mengoptimalkan

Sehingga

komposisi

ketidakoptimalan

pakan

pemberian

kualitas kambing menjadi turun. Dalam sudut pandang ekonomi, pembelian bahan pakan ternak menjadi biaya tertinggi dalam usaha peternakan, sehingga biaya tersebut harus ditekan serendah mungkin

untuk

memaksimalkan

pendapatan

(Nugraha, 2011). Mengoptimalkan penyusunan bahan pakan (ransum) kambing merupakan cara untuk menekan biaya pembelian bahan pakan serta untuk

memaksimalkan

keuntungan

maupun

1. Bagaimana mengoptimasi komposisi pakan kambing potong agar memenuhi kebutuhan nutrisi yang terbaik dengan biaya yang minimal dengan menggunakan algoritma genetika? 2. Bagaimana menentukan parameter Algoritma Genetika yang tepat? 3. Bagaimana mengukur kualitas solusi yang dihasilkan?

pendapatan. Dalam kasus ini digunakan salah satu metode

1.2 Rumusan Masalah

heuristik

yaitu

algoritma

masalah kompleks, algoritma genetika ini juga banyak digunakan dan dimanfaatkan dalam berbagai juga

menghadapi

optimasi

masalah

matematikannya

kompleks

dibangun.(Mahmudy, 2013).

Batasan masalah yang akan dijadikan

genetika.

Algoritma genetika mampu menyelesaikan berbagai

bidang dan algoritma

1.3 Batasan Masalah

digunakan

sebagai pedoman dalam pelaksanaan penelitian ini adalah sebagai berikut : 1.

potong.

untuk

yang

model

bahkan

sulit

Jenis kambing yang diteliti adalah kambing

2.

Jenis kambing yang diteliti adalah kambing potong yang dalam masa pertumbuhan.

3.

Jenis pakan yang diguankan 30 jenis bahan pakan.


4.

5.

Penentuan ransum yang disusun berdasarkan

makanan akan jauh lebih baik bila dihitung

berat badan dan target pertambahan berat

berdasarkan Bahan Kering (BK) .

badan(bobot) perhari.

2.

Nutrisi yang digunakan untuk menyusun pakan adalah BK, PK dan TDN.

Protein Yang diperlihatkan dalam table komposisi

adalah protein kasar (Prk). 3.

1.4 Tujuan

TDN

Membangun system rekomendasi yang

Pada ternak ruminansia dikenal istilah Total

mampu mengoptimasi pakan kambing dengan

Digestible Nutrient (TDN), yaitu suatu asumsi

menggunakan algoritma genetika.

bahwa selisih antara zat gizi yang dikonsumsi dengan zat gizi yang terdapat di dalam faeces

2.

TINJAUAN PUSTAKA

merupakan nilai zat gizi yang tercerna dan dapat

2.1 Bahan Pakan Kambing

diubah menjadi enersi. TDN adalah cara/ data yang

Kambing adalah hewan ternak ruminansia kecil yang pakan utamanya adalah hijauan. Pakan hijauan tersebut dapay berupa daun nangka , waru,

banyak tersedia dan telah(pernah) merupakan suatu standar untuk meyatakan nilai energy suatu bahan makanan untuk ruminant (Parakkasi, 1999).

atau yang biasa disebut rambanan, tanaman kacangkacangan dan rumput. Selain diberi pakan hijauan ,

2.3 Ransum

kambing juga diberi pakan berupa konsentrat, konsentrat merupakan makanan penguat yang kandungan gizi tinggi. Namun, meskipun konsentrat memiliki gizi yang baik namun konsentrat tidak bisa dijadikan

makanan

tunggal

karena

dapat

menyebabkan gangguan pencernaan pada kambing yang mengakibatkan hewan ternak mati. Sehingga pakan kambing yang baik adalah perpaduan antara

Ransum merupakan satu atau beberapa jenis bahan pakan yang diberikan untuk seekor ternak selama sehari semalam. Ransum harus dapat memenuhi zat-zat makanna yang dibutuhkan seekor ternak untuk berbagai fungsi tubuhnya, seperti pokok hidup, produksi, maupun reproduksi (Siregar, 1996). Adapun langkah-langkah dalam penyusunan ransum adalah[NN, 2013]:

hijauan dan konsentrat(Susilawati, 2011). 2.2 Kebutuhan Nutrisi Bahan Pakan Kambing



Menentukan kebutuhan nutrisi ternak.

Beberapa bahan makanan memiliki komposisi yang



Menentukan

bahan

makanan

yang

beragam. Sampai saat ini tidak ada yang dapat

digunakan, yaitu :

membantah bahwa analisi dari suatu bahan makanan

- Jenis bahan pakan yang tersedia

yang akan digunakan dalam suatu ransum akan lebih

- Kandungan nutrisinya

akurat bila menggunakan data yang disusun dalam

- Harga bahan pakan

sebuah tabel. Adapun nutrisi yang dibutuhkan oleh



kambing potong adalah BK, PK dan TDN. 1.

Bahan Kering

Oleh karena itu kadar suatu zat dalam suatu bahan

berbagai

bahan

untuk

memenuhi kebutuhan. 

Diketahui bahwa kadar air bahan makanan bila diberikan ke pada ternak (as fed) sangat berariasi.

Memformulasikan

akan

Melakukan receck terhadap hasil perhitungan disesuaikan dengan kebutuhan ternak.



Menyiapkan ransum tersusun sesuai dengan kondisi dan kebutuhan[NN, 2013].


2.4 Algoritma Genetika Algoritma genetika adalah salah satu algoritma

……………………………………………..(2-1)

evolusi yang popular dalam menyelesaikan masalah

Dimana :

optimasi kompleks. Berkembangnya teknologi

Penalty1 = nilai penalti BK

informasi membuat algoritma genetikapun semakin

Penalty2 = nilai penalti PK

berkembang. Algoritma genetika semakin banyak

Penalty3 = nilai penalti TDN

digunakan dalam berbagai bidang seperti fisika

= nilai prioritas untuk BK

sampai sosiologi karena kemampuannya dalam

= nilai prioritas untuk PK

menyelesaikan

maslaah

sederhana

sampai

= nilai prioritas untuk TDN

kompleks (Mahmudy, 2013). Fungsi penalti untuk setiap kebutuhan

2.5 Representasi Kromosom Representasi kromosom merupakan proses pengkodean dari penyelesaian suatu permasalahan (Mahmudy,

2013).

Metode

nutrisi ditunjukkan pada persamaan (2-2), (2-3) dan (2-4) berikut ini.

pengkodean

diklasifikasikan berdasarkan jenis symbol yang digunakan sebagai nilai suatu gen menurut Gen dan Cheng pada tahun 2000 dalam buku Desiani tahun 2006 yaitu sebagai berikut : pengkodean biner , pengkodean riil, bilangan bulat dan struktur data. Pada

contoh

persoalan

ini

menggunakan

Keterangan :

pengkodean riil, pengkodean riil adalah berbetuk

TBK = Total BK

riil. Pengkodean riil tepat sekali jika digunakan pada

TPK

msalah optimalisasi fungsi dan optimalisasi kendala

TTDN = Total TDN

(Desani, 2006).

2.9.5.1 Fitness

= Total PK

Algoritma genetika dapat menyelesaikan

2.6 Niali Fitness 2.9.5.1 Penalty

masalah kompleks salah satunya yaitu permasalahan

Penalty merupakan bobot yang dipakai saat suatu

optimasi, untuk mendapatkan nilai fitness, suatu

individu melakukan pelanggaran terhadap aturan

individu dievaluasi berdasarkan suatu nilai tertentu.

(Tyas, 2013).

Jika

Aturan yang dimaksut dalam

permasalahannya

adalah

optimasi

untuk

penelitian ini adalah nutrisi yang digunakan untuk

memaksimalkan fungsi h, maka digunakan fungsi f

memenuhi kebutuhan pakan kambing berdasarkan

= h untuk mencari nilai fitnessnya. Tapi jika

Tabel 2.2 dan Tabel 2.3. Pinalti dihitung pada saat

permasalahannya

kondisi tertentu yaitu kondisi dimana kebutuhan

meminimalkan fungsi h, maka digunakan fungsi f =

nutrisi rekomendasi dari system kurang dari

1/h untuk mendapatkan nilai fitnessnya. Namun jika

kebutuhan nutrisi dari pakar dan buku. Perhitungan

h bernilai 0 akan mengakibatkan f

penalti ditunjukkan pada persamaan (2-1) berikut (

terhingga. Sehingga h pada fungsi f = 1/h perlu

Sari, Mahmudy, Dewi 2014).

ditambah dengan bilangan yang dianggap kecil.

adalah

optimasi

untuk

bernilai tak


Sehingga rumus fitness ditunjukkan pada persamaan (2-5) ( Kushardiana, 2013). ………………………………. (2-5)

2.8 Mutasi Mutasi digunakan sebagai operator untuk menjaga keragaman populasi dan untuk membuat individu baru dengan memodifikasi satu atau lebih

Dimana :

gen dalam satu individu yang sama (Mahmudy,

-

2013). Fungsi dari mutasi dalam algoritma genetika

adalah bilangan kecil yang sesuai dengan permasalahan yang dihadapi.

-

adalah sebuah fungsi yang akan diminimalkan (dalam kasus ini adalah harga).

-

untuk menggantikan gen yang hilang dari populasi selama proses seleksi serta menyediakan gen yang tidak ada dalam populasi awal. Metode mutasi yang digunakan dalam kasus ini adalah random mutation

adalah fungsi fitness Dalam penelitian ini, fungsi yang akan

diminimalkan adalah harga dengan menghitung nilai pinalti. Sehingga fungsi fitness yang digunakan dalam penelitian ini ditunjukkan pada persamaan (2-

yang menghasilkan offspring(anak) yang dilakukan dengan menambah atau mengurangi nilai gen terpilih dengan bilangan random yang kecil. Mutasi dilakukan dengan memilih satu induk secara acak dari populasi. Misalkan domain variabel xj adalah

6) (Tyas, 2013) ………………..(2-6)

[minj, maxj] dan offspring yang dihasilkan adalah C=[ x’1..x’n ], maka nilai gen offspring bisa

Dimana :

dibangkitkan sebagai berikut:

-

Total harga diperoleh dengan mengalikan nilai

x’i = x’i + r (maxi –minj)………………(2-9)

bahan pakan setiap kilogram dengan harga

range r misalkan [-0,1, 0,1].

pakan. -

Penalty adalah nilai penalti yang dihitung jika kebutuhan nutrisi rekomendasi system kurang dari kebutuhan nutrisi oleh pakar dan buku.

2.7 Crossover (Pindah Silang) Metode crossover yang digunakan dalam kasus ini adalah extended intermediate crossover yang menghasilkan offspring dari kombinasi nilai dua induk. Kombinasi dua induk(parent) untuk menghasilkan offspring tersebut dipilih secara acak dari populasi. Misalkan P1 dan P2 adalah dua induk yang telah diseleksi untuk melakukan crossover, maka offspring C1 dan C2 bisa dibangkitkan sebagai berikut: C1 = P1 + α (P2 – P1)………………….(2-7) C2 = P2 + α (P1 – P2)………………….(2-8) α dipilih secara acak.

2.9 Seleksi Ellitsm Proses seleksi merupakan proses memilih individu dari himpunan populasi dan offspring yang dipertahankan pada generasi berikutnya (Mahmudy, 2013). Metode yang digunakan dalam penyelesaian kasus ini adalah elitism selection. Seleksi dengan metode elitism selection merupakan proses sleksi yang memilih individu yang memiliki fitness tertinggi

untuk

dipertahankan

ke

generasi

selanjutnya. Metode elitism selection dilakukan dengan mengumpulkan semua individu baik parent maupun offspring, kemudian barulah diseleksi dengan melihat nilai fitness tertingginya untuk dipertahankan ke generasi selanjutnya. Metode seleksi elitism menjamin individu yang terbaik akan selalu lolos (Mahmudy, 2013). 3.

METODELOGI PENELITIAN


Pada bab metode penelitian dan perancangan ini akan dibahas langkah-langkah yang digunakan

menjual bahan makanan di Kota Malang pada bulan November 2014.

dalam pembuatan aplikasi optimasi komposisi

3.2. Perancangan Sistem

pakan

Optimasi

kambing

potong/pedaging

dengan

komposisi

pakan

menggunakan

langkahnya adalah sebagai berikut :

beberapa proses dimulai dari proses inisialisasi

2.

3.

parameter sampai proses seleksi sehingga terpilih

genetika dan penyusunan atau formulasi

hasil terbaik. Parameter yang digunakan pada

pakan

contoh ini yang meliput: population size, crossover

kambing potong/pedaging yang

akan dibuat dan dibahas pada skripsi ini.

, mutation rate dan jumlah generasi. Berikut adalah

Menganalisa

flowchart proses menyusun ransum pakan untuk

dan

merancang

system

dengan menggunakan hasil dari studi

menghasilkan

literature tersebut.

kebutuhan nutrisi :

Membuat sistem berdasarkan analisa dan

ransum

yang

sesuai

dengan

Mulai

Inisialisasi Parameter Awal

Membuat uji coba terhadap sistem yang telah dibuat.

5.

terdiri dari

Melakukan studi literatur tentang algortima

perancangan yang telah dilakukan. 4.

genetika

potong

menggunakan algoritma genetika. Adapun langkah-

1.

algoritma

kambing

Generasi Populasi Awal

Melakukan evaluasi hasil terhadap hasil yang diperoleh dari uji coba tersebut. Studi Literatur

Crossover

Mutasi

Analisa dan Perancangan Menghitung Fitness

Tidak

Implementasi Sistem Menyeleksi Kromosom

Pengujian Sistem Populasi Baru

Evaluasi Hasil Memenuhi Kondisi Berhenti?

Gambar 3.1 Metode Penelitian

Ya

Kromosom Terbaik

3.1. Data yang Digunakan Data yang digunakan dalam penelitian ini adalah

Selesai

sebagai berikut : 1.

2.

Data bahan makanan dari BBPP Batu Malang

Gambar 3.1 Diagram Alir Algoritma Genetika

Jawa Timur dalam sebuah buku teks ajar 2013.

4. IMPLEMENTASI

Data harga harga makanan didapatkan dengan

Antarmuka yang telah dibuat adalah halaman utama,

melakukan survey ke beberapa tempat yang

halaman nutrisi dan halaman algen. Pada halaman nutrisi terdapat 2 bagian yaitu bagian untuk


menghitung

menghitung

Untuk mengevaluasi program yang telah dibuat,

kandungan bahan pakan.. Nilai kebutuhan nutrisi

maka dilakukan pengujian terhadap parameter

dan

algoritma genetika sebagai berikut :

nilai

nutrisi

dan

kandungan

untuk

bahan

pakan

tersebut

berpengaruh terhadap perhitungan nilai pinalti.

1. Uji coba untuk menentukan ukuran populasi

Tampilan menu halaman nutrisi sistem ini dilihat

terbaik agar mendapatkan nilai rata-rata fitness

pada Gambar 4.1.

terbaik. 2. Uji coba untuk menentukan jumlah populasi terbaik agar mendapatkan nilai rata-rata fitness terbaik. 3. Uji coba untuk menentukan kombinasi cr dan mr terbaik agar mendapatkan nilai rata-rata fitness terbaik. 5.1. Pengujian dan Analisis Ukuran Populasi Pada

pengujian

pertama

dilakukan

pengujian

terhadap parameter ukuran populasi. Bahan pakan Gambar 4.1 Implemntasi Antarmuka Halaman

yang digunakan pada pengujian ini adalah 3 bahan

Nutrisi

pakan. Untuk menguji ukuran populasi digunakan

Pada halaman algen ini akan dihitung untuk

ukuran populasi kelipatan 40, dimulai dari 40

mendapatkan solusi terbaik. Untuk mendapatkan

sampai 320. Untuk mendapatkan hasil yang lebih

solusi

algoritma

valid maka setiap percobaan akan dilakukan

genetika terlebih dahulu menginputkan jumlah

sebanyak 10 kali untuk diambil nilai rata-rata

populasi, nilai crossover rate, nilai mutation rate dan

fitnessnya. Pada percobaan ini digunakan generasi =

jumlah generasi yang akan digunakan dalam

250, cr = 0,5 dan mr= 0,1. Grafik hasil uji coba

perhitungan. Tampilan menu halaman algoritma

ukuran populasi dapat dilihat pada Gambar 5.1.

terbaik

dengan

perhitungan

genetika sistem ini dilihat pada Gambar 4.2.

Gambar 5.1 Grafik Percobaan Ukuran Populasi Berdasarkan gambar 5.1 dapat dilihat bahwa ukuran populasi berpengaruh terhadap nilai Gambar 4.2 Implemntasi Antarmuka Halaman Algen 5.

PENGUJIAN DAN ANALISA

fitness yang dihasilkan dari perhitungan algoritma genetika. Grafik mengalami kenaikan pada ukuran populasi 50 sampai 200 , dilakukan 10 kali percobaan pada pengujian ukuran populasi untuk


menghasilkan nilai rata-rata fitness dan dihasilkan

Berdasarkan gambar 5.2 dapat dilihat bahwa

fitness terbaik dengan nilai 0.000166473835. Pada

ukuran populasi berpengaruh terhadap nilai fitness

ukuran populasi 240 sampai 320 tidak terjadi

yang dihasilkan dari perhitungan algoritma genetika.

kenaikan yang signifikan dan grafik hampir

Nilai fitness paling rendah didaptkan pada ukuran

membentuk garis lurus. Sehingga populasi paling

generasi 50 karena proses algoritma genetika

optimal untuk kasus ini yaitu pada ukuran populasi

berproses secara optimal. Namun jumlah generasi

200. Dan dapat disimpulkan bahwa nilai fitness

yang tinggi tidak bisa dikatakan generasi terbaik

yang dihasilkan oleh system dipengaruhi oleh

karena belum tentu niali fitness yang dihasilkan

ukuran populasi yang semakin tinggi, namun jika

paling optimal dan waktu untuk proses algoritma

ukuran

tidak

genetika lebih lama. Dapat dilihat pada gambar 6.2,

didapatkan kenaikan fitness yang signifikan dan

grafik mengalami kenaikan pada jumlah generasi 50

waktu

untuk

sampai 200 , dilakukan 10 kali percobaan pada

menghasilkan nilai fitness pun semakin lama. Pola

pengujian ukuran populasi untuk menghasilkan nilai

seperti ini juga didapatkan oleh Pratiwi (2014) yang

rata-rata fitness dan dihasilkan fitness terbaik

menerapkan algoritma genetika untuk pemenuhan

dengan nilai 0.00016626685. Pada jumlah generasi

kebutuhan gizi.

400 sampai 1500 tidak terjadi kenaikan yang

5.2. Pengujian dan Analisis Banyaknya Generasi Pengujian kedua dilakukan pengujian terhadap

signifikan dan grafik hampir membentuk garis lurus.

parameter banyaknya generasi yang digunakan.

yaitu pada jumlah generasi 200.

Bahan pakan yang digunakan pada pengujian ini

generasi digunakan banyaknya generasi mulai 50

5.3. Pengujian dan Analisis Kombinasi Crossover Rate dan Mutation Rate Pengujian terakhir adalah pengujian terhadap

sampai 1500. Untuk mendapatkan hasil yang lebih

parameter kombinasi cr dan mr yang digunakan

valid maka setiap percobaan akan dilakukan

proses algoritma genetika. Bahan pakan yang

sebanyak 10 kali untuk diambil nilai rata-rata

digunakan pada pengujian ini adalah 3 bahan pakan.

fitnessnya. Pada percobaan ini digunakan populasi

Kombinasi cr dan mr yang diguanakn pada uji coba

200 yang didapatkan dari percobaan sebelumnya, cr

ini antara 0,1 sampai 0,5.dan untuk mendapatkan

= 0,5 dan mr = 0,1. Grafik hasil uji coba banyaknya

hasil yang lebih valid maka setiap percobaan akan

generasi dapat dilihat pada Gambar 5.2.

dilakukan sebanyak 10 kali untuk diambil nilai rata-

populasi

komputasi

semakin

yang

tinggi

maka

digunakan

adalah 3 bahan pakan. Untuk menguji banyaknya

Sehingga generasi paling optimal untuk kasus ini

rata fitnessnya. Pada percobaan ini digunakan populasi optimal pada uji coba sebelumnya yaitu ukuran populasi 200, dan gerasi 200

yang

didapatkan dari hasil uji coba sebelumnya. Grafik hasil uji coba kombinasi cr dan mr dapat dilihat pada Gambar 5.3. Gambar 5.2 Grafik Percobaan Banyaknya Generasi


sehingga mengahasilkan solusi yaitu biaya yang minimum dan nutrisi yang mendekati optimal. 2. Untuk mengukur kualitas solusi terbaik pada permasalahan optimasi komposisi pakan kambing potong menggunakan algoritma genetika ini maka diguanakan representasi kromosom real code. Panjang kromosom didapatkan dari jumlah bahan Gambar 5.3 Grafik Uji Coba Kombinasi Cr dan Mr Berdasarkan gambar 6.3 dapat dilihat bahwa dapat dilihat bahwa nilai fitness terbaik ada pada kombinasi cr dan mr 0.1:0,5 dengan nilai fitness 0.000167046. Uji coba kombinasi cr dan mr berpengaruh terhadap nilai fitness yang dihasilkan. Tingkat crossover rate yang terlalu besar dan mutation rate yang terlalu kecil akan menurunkan kemampuan algoritma genetika untuk memperlebar area pencarian. Dan crossover rate yang kecil dan mutation

rate

yang

besar

akan

menurunkan

kemampuan algoritma genetika untuk belajar dari generasi sebelumnya dan tidak mampu untuk mengeksploitasi area optimum local (Mahmudy,

pakan yang diinputkan. Metode crossover yang digunakan pada penelitian ini adalah extended intermediate crossover. Sedangkan metode mutasi yang digunakan adalah random mutation. 3. Pengujian

parameter

genetika

berpengaruh

terhadap nilai fitness yang dihasilkan. Pengujian pada

parameter

genetika

mengkombinasikan

dilakukan

crossover

rate

dengan (cr)

dan

mutation rate (mr) yang terbaik terdapat pada kombinasi cr dan mr 0.1:0,5 dengan nilai fitness 0.000167046. Kenaikan nilai fitness dipengaruhi oleh nilai crossover rate (cr) dan mutation rate (mr) yang semakin naik karena individu akan lebih sering mengalami persilangan sehingga terbentuk invidu yang bervariasi sehingga nilai fitness juga

WF, Marian, RM & Luong, LHS 2014).

bervariasi.

6. Kesimpulan dan Saran 6.1 Kesimpulan Kesimpulan yang didapatkan dari hasil uji coba

4. Parameter

genetika

yang

juga

diuji

dalam

penelitian ini adalah populasi dan generasi. Kedua

yang telah dilakukan mengenai penerapan algoritma

parameter tersebut berpengaruh terhadap nilai

genetika

permasalahan

fitness yang dihasilkan dari proses algoritma

optimasi komposisi pakan kambing potong yaitu

genetika. Ukuran populasi yang optimal terdapat

sebagai berikut :

pada

untuk

menyelesaikan

ukuran

200

dengan

nilai

fitness

pada

0.000166473835. Sehingga dapat disimpulkan

permasalahan optimasi komposisi pakan kambing

bahwa nilai fitness yang dihasilkan oleh system

potong , dengan dilakukan pengujian terhadap

dipengaruhi oleh ukuran populasi yang semakin

hasil

dilakukan

tinggi, namun jika ukuran populasi semakin tinggi

(ukuran

maka tidak didapatkan kenaikan fitness yang

populasi,kombinasi crossover rate dan mutation

signifikan dan waktu komputasi yang digunakan

rate serta jumlah generasi). Kemudian dilakukan

untuk menghasilkan nilai fitness pun semakin

sleksi untuk mendapatkan nilai fitness terbaik

lama.

1. Algoritma

yang

terhadap

genetika

dapat

diterapkan

didapatkan.

Pengujian

parameter

genetika

Pengujian

dihasilkan

fitness

jumlah terbaik

generasi dengan

optimal nilai


0.00016626685 dan terdapat pada jumlah generasi

Genetic Algorithm”, Fakultas Sains dan

ke 200. Sehingga disimpulkam pada jumlah

Teknologi, UIN Sultan Syarif Kasim, Riau.

generasi yang terlalu rendah tidak didapatkan

Nugroho, Romada Adi. 2011 ,”Optimalisasi

generasi terbaik sebagai solusi karena proses

Formulasi Pakan Ternak Terhadap Ayam

algoritma genetika berproses secara optimal.

Pedaging Dengan Menggunakan Metode

Namun jumlah generasi yang tinggi tidak bisa

Linear Programming”, Jurusan Teknik

dikatakan generasi terbaik karena belum tentu

Industri,

niali fitness yang dihasilkan paling optimal dan

Universitas Gunadarma, Jakarta

waktu untuk proses algoritma genetika lebih lama.

Mahmudy, WF.

Fakultas

Teknologi 2013,

Indusri,

“Algoritma

6.2 Saran Pada penelitian ini, terdapat beberapa hal yang dapat

Evolusi”, Program Teknologi Informasi

ditambhakan dan dikembangkan untuk penelitian

Malang.

selanjutnya antara lain :

dan Ilmu Komputer, Universitas Brawijaya, Susilawati, Trinil dkk. 2011. “Agribisnis

1. Pada penelitian ini digunakan algoritma genetika untuk menyelesaiakan permasalahan optimasi komposisi bahan pakan kambing potong namun

kambing”,UB Press, Cetakan Pertama, Malang. Dispet Jatim. 2002. “Gizi Ternak Ruminansia

bisa juga menggunakan algoritma lain dalam

Sesuai

menyelesaikan permasalahan ini.

Formulator Pakan Ternak, Jatim.

2. Dapat menggunakan representasi kromosom lain

Stadia

Fisiologis”,

Reorientasi

Murtidjo, Bambang Agus. 2008, “Kambing

selain real code yang digunakan pada penelitian

sebagai Ternak Potong dan Perah”,

ini. Dapat menggunakan metode crossover selain

Kanisius, Cetakan Kesebelas, Jogyakarta.

extended intermediate crossover dan metode

Desiani, Anita dan Arhami, Muhammad. 2006,

mutasi yang selain random mutation. Dan dapat

“Konsep

menggunakan metode seleksi yang lain selain

OFFSET, Cetakan Pertama, Yogyakarta.

ellitsm.

Kecerdasan

Buatan”,

ANDI

Mulyono, Subangkit dan Sarwono, B. 2008,

3. Jumlah bahan pakan bisa ditambahkan, dalam

“Penggemukan

Kambing

Potong”,

permasalahan ini hanya terdapat 30 jenis bahan

Penebar Swadaya, Cetakan V, Depok.

pakan. Dan bisa menambahkan nutrisi yang

Haryadi, NK. 2014, “Teknik Jitu Penggemukan

digunakan, missal ditambahan Cad an P.

kambing Potong”, Trans Idea Publishing, Cetakan Kedua, Jogjakarta.

7 Daftar Pustaka

Sari, AP, Mahmudy, WF & Dewi, C. 2014,

Aribowo , Arnold dkk. 2008, “ Penerapan Algoritma

Genetika

Pada

Penentuan

Komposisi

Pakan

Ayam

Petelur”,

Universitas Pelita Harapan, Indonesia. Wardhani, Luh Kesuma. dkk. 2011, “ Optimasi Komposisi Bahan Pakan Ikan Air Tawar Menggunakan

Metode

Multi-Objective

“Optimasi Asupan Gizi Pada Ibu Hamil dengan

Menggunakan

Genetika”,

DORO:

Algoritma

Repository

Jurnal

Mahasiswa PTIIK Universitas Brawijaya, vol. 4, no. 5. Pratiwi, MI, Mahmudy, WF & Dewi, C. 2014,


“Implementasi algoritma genetika pada

NN . 2013,“Dasar-Dasar Pakan Ternak”,

optimasi biaya pemenuhan kebutuhan gizi”,

Buku Teks Bahan Ajar Siswa, Direktorat

DORO:

Pembinaan Sekolah Menengah Kejuruan

Repository

Jurnal

Mahasiswa

PTIIK Universitas Brawijaya, vol. 4, no. 6. Zukhri, Zainudin. 2014, “Algoritma Genetika Metode

Komputasi

Evolusioner

Kementerian Pendidikan dan Kebudayaan Republik Indonesia.

untuk

Menyelesaikan Masalah Optimasi”, C. VANDI OFFSET, Yogyakarta.

Kartadisastra, H.R. 1997. “Penyediaan dan Pengelolaan Pakan Ternak Ruminansia”, Kanisius, Cetakan Ke Enam, Yogyakarta.

Mahmudy, WF, Marian, RM & Luong, LHS. 2014, “Hybrid genetic algorithms for part type

selection

and

machine

loading

problems with alternative production plans in flexible manufacturing system”, ECTI Transactions on Computer and Information Technology (ECTI‐CIT), vol. 8, no. 1, pp. 80-93. Siregar, Soribasya. 1996. Sapi Perah Jenis, Teknik Pemeliharaan, dan Analisa Usaha. PT Penebar Swadaya: Jakarta. Santoso, Undang. 2006, “Manajemen Usaha Ternak

Potong”,

Cetakan

Pertama,

Penebar Swadaya, Depok. Guawan, Hadi. 2013, “Prospek Usaha Penggemukan Kambing Potong”, Pustaka Baru Press, Cetakan Pertama, Yogyakarta. Cahyono, Bambang. 2006, “Beternak Domba dan Kambing” , Kanisius , Cetakan Ke Sembilan, Yogyakarta. Parakkasi, Aminuddin. 1999, “Ilmu Nutrisi dan Makanan Ternak Ruminan”, Universitas Indonesia, Jakarta. Kusumaningrum, Brilyan Indah. 2009, “Kajian Kualitas Ransum Kambing Peranakan Ettawa Di Balai Pembibitan Dan Budidaya Ternak Ruminansia Kendal” , Jurusan Nutrisi Dan Makanan Ternak Fakultas Peternakan

Universitas

Diponegoro,

Semarang


OPTIMASI KOMPOSISI PAKAN KAMBING POTONG MENGGUNAKAN ALGORITMA GENETIKA

Recommend Documents