OPTIMASI TEBAR BENIH DAN PAKAN PADA SUATU KOLAM MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES Robby Kurniawan Mahasiswa Program Studi Teknik Informatika, FT UMRAH Nerfita Nikentari, ST., M.Cs Dosen Program Studi Teknik Informatika, FT UMRAH Hendra Kurniawan, S.Kom., M.Sc.Eng Dosen Program Studi Teknik Informatika, FT UMRAH
ABSTRAK Dalam rangka meningkatkan produksi sumberdaya perikanan yang termasuk salah satu didalamnya adalah usaha budidaya ikan lele yang bertujuan untuk meningkatkan pendapatan masyarakat sekitar. Permasalahan yang terjadi adalah bagaimana meningkatkan usaha budidaya ikan lele untuk penebaran bibit ikan lele dan pemberian pakan ikan lele yang optimal. Sebagian besar petani kurang memperhatikan dan memperhitungkan berapa jumlah bibit dan pakan yang sesuai pada masing-masing kolamnya, sehingga hasil panen yang diperoleh tidak maksimal. Sebagai solusi dari permasalahan tersebut, maka diperlukan sebuah metode optimasi yang digunakan untuk mengoptimalkan tebar benih dan pakan ikan lele pada masing-masing kolam yang ada. Dalam penelitian ini menggunakan algoritma Evolution Strategies (ES) Tipe proses ES yang digunakan adalah (μ + λ) sehingga proses elitism selection melibatkan parent dan offspring. Solusi optimal diperoleh dari ukuran populasi sebanyak 25, ukuran offspring 6, sigma 3, jumlah generasi 20 dalam percobaan ke 1 dan jumlah generasi 50 dalam percobaan ke 4 memperoleh nilai fitness tertinggi yaitu 1. Hasil akhir berupa nilai tebar benih dan pakan pada masing-masing kolam yang ada. Kata kunci : Evolution Strategies, Tebar Benih dan Pakan
ABSTRACT In order to increase the production of fishery resources including one in it is catfish farming that aims to increase the income of the surrounding community. The problem that occurs is how to increase the catfish farming catfish fingerlings for seeding and feeding catfish are optimal. Most farmers less attention and calculate how much seed and feed as appropriate in each pond, so the yields are not optimal. As a solution to these problems, it is necessary an optimization method is used to optimize seeding and catfish feed on each of the existing pond. In this study, using algorithms Evolution Strategies (ES) ES Process type used is (μ + λ) so that elitism selection process involves parent and offspring. The optimal solution is derived from the size of the population of 25 offspring size 6, 3 sigma, the number of generations 20 in experiment 1 and number 50 in the generation of experiments to 4 earns highest fitness value is 1. The final results of value seeding and feed on each existing pond. Keywords: Evolution Strategies, Seeding and Feed
I.
lebih besar untuk melewati seleksi alam (Mahmudy, 2013). Penelitian ini bertujuan untuk mengoptimalkan tebar benih dan pakan pada suatu kolam menggunakan algoritma evolution strategies.
PENDAHULUAN
1.1. Latar Belakang Sumber daya perikanan merupakan salah satu asset nasional yang harus dikelola dengan baik karena memiliki peran penting sebagai penghasil pendapatan daerah maupun sebagai penghasil protein bagi masyarakat. Dalam rangka meningkatkan produksi sumberdaya perikanan yang termasuk salah satu didalamnya adalah usaha budidaya ikan lele yang bertujuan untuk meningkatkan pendapatan masyarakat sekitar. Permasalahan yang terjadi adalah bagaimana meningkatkan usaha budidaya ikan lele untuk penebaran bibit ikan lele dan pemberian pakan ikan lele yang optimal. Sebagian besar petani kurang memperhatikan dan memperhitungkan berapa jumlah bibit dan pakan yang sesuai pada masing-masing kolamnya, sehingga hasil panen yang diperoleh tidak maksimal. Sebagai solusi dari permasalahan tersebut, maka diperlukan sebuah metode optimasi yang digunakan untuk mengoptimalkan tebar benih dan pakan ikan lele pada masing-masing kolam yang ada. Pada penelitian ini metode optimasi menggunakan Algoritma Evolution Strategies (ES). Sebelumnya terdapat penelitian yang membahas optimasi komposisi pakan ternak sapi potong yang menggunakan Algoritma ES yang dilakukan oleh Milah (2015) menunjukkan bahwa Algoritma ES dapat digunakan untuk menyelesaikan permasalahan optimasi komposisi pakan ternak sapi potong. ES dan Algoritma Genetika (GA) merupakan bagian dari algoritma evolusi. Algoritma evolusi sendiri merupakan teknik optimasi yang meniru proses evolusi biologi. Menurut teori evolusi terdapat sejumlah individu dalam populasi. Individu-individu ini akan berperan sebagai induk (parent) yang akan melakukan reproduksi dan menghasilkan keturunan (offspring). Individu-individu ini akan berevolusi dan individu-individu yang lebih baik mempunyai peluang yang
1.2. Rumusan Masalah Berdasarkan uraian latar belakang di atas, maka dapat dirumuskan permasalahan penelitian yakni Bagaimana mengetahui tebar benih dan pakan yang optimal pada suatu kolam dengan menggunakan Algoritma ES. 1.3. Batasan Masalah Adapun batasan masalah dalam penelitian ini adalah : 1. Variabel yang digunakan adalah jumlah tebar benih dan pemberia pakan pada masing-masing kolam. 2. Penilitian ini dilakukan di Sei. Carang, Kel. Air Raja, Tanjungpinang. 1.4. Tujuan Adapun tujuan dilakukannya penelitian ini adalah untuk mengoptimalkan tebar benih dan pemberian pakan pada suatu kolam menggunakan Algoritma ES. II.
KAJIAN LITERATUR
2.1. Ikan Lele Budidaya ikan lele melibatkan beberapa variabel yang dibutuhkan (Alamtani, 2013) diantaranya : 1. Benih Ikan Lele yang Akan Ditebarkan Tingkat kesuksesan budidaya ikan lele sangat ditentukan oleh kualitas benih yang ditebar. Benih yang akan digunakan dalam budidaya ikan lele hendaklah dari jenis benih unggul. Ciriciri benih yang sehat adalah gerakannya lincah, tidak terdapat cacat atau luka dipermukaan tubuhnya, bebas dari bibit penyakit dan gerakan renangnya normal. Untuk menguji gerakan renangnya, coba tempatkan ikan pada arus air, jika ikan tersebut menantang arah arus air berarti gerakan renangnya normal. 2. Pakan Pakan merupakan komponen biaya terbesar dalam budidaya ikan lele.
3.
Ada banyak sekali merek dan ragam pakan di pasaran. Pakan ikan lele yang baik adalah pakan yang menawarkan Food Convertion Ratio (FCR) lebih kecil dari satu. FCR adalah rasio jumlah pakan berbanding pertumbuhan daging. Semakin kecil nilai FCR, semakin baik kualitas pakan. Pakan yang baik harus mengandung nutrisi yang diperlukan oleh ikan lele. Sebagai ikan karnivora, pakan ikan lele harus banyak mengandung protein hewani. Secara umum kandungan nutrisi yang dibutuhkan ikan lele adalah protein (minimal 30%), lemak (4-16%), karbohidrat (15-20%), vitamin dan mineral. Pakan harus diberikan sesuai dengan kebutuhan. Misalnya diasumsikan benih lele akan dipanenkan dalam waktu 2 – 2,5 bulan. Benih lele dapat dipanenkan apabila lele per kilo nya berisi 7 – 10 ekor. 1 kg daging lele ketika dipanen berisi 10 ekor lele (lebih bagus lagi jika hanya berisi 7 – 8 ekor lele saja). Jika dari 10.000 lele yang dipanen kan maka akan didapatkan daging lele sebanyak 1.000 kg (1 ton). Jadi, untuk menghasilkan panen hingga 10.000 ikan lele yang akan menghasilkan 1.000 kg daging ikan lele membutuhkan pakan sebanyak 1.000 kg (1 ton). Didapatkan margin eror sebanyak 20 %, yang artinya tidak akan memanen sebanyak 1.000 kg daging ikan lele, tetapi hanya akan memanen 800 kg daging ikan lele (Paramita, 2013). Jadwal pemberian pakan sebaiknya disesuaikan dengan nafsu makan ikan. Frekuensinya 4-5 kali sehari. Frekuensi pemberian pakan pada ikan yang masih kecil harus lebih sering. Waktu pemberian pakan bisa pagi, siang, sore dan malam hari. Harus diingat, ikan lele merupakan hewan nokturnal, aktif pada malam hari. Pertimbangkan pemberian makan lebih banyak pada sore dan malam hari. Pakan diberikan dengan ditebar. Si pemberi pakan harus jeli melihat reaksi ikan. Berikan pakan saat ikan lele agresif menyantap pakan dan berhenti apabila ikan sudah terlihat malas untuk menyantapnya. Luas Kolam Pembudidayaan Ikan Lele Tidak ada patokan luasan yang disarankan untuk kolam budidaya ikan lele. Namun lebih baik tidak terlalu luas, sehingga lebih mudah dikontrol, misalnya
ukuran 2×3 atau 3×4 m dengan kedalaman kolam 0,75-1,5 m. Pengisian air kolam untuk pembenihan ikan lele, hendaknya dilakukan secara bertahap. Pada tahap awal isi kolam dengan kedalaman 20-30 cm. Hal ini mengingat benih ikan masih sangat kecil. Setelah benih membesar tambahkan kedalaman air kolam secara bertahap, sesuaikan dengan ukuran benih ikan. Ketinggian air yang ideal untuk budidaya ikan lele adalah 100-120 cm. 2.2. Evolution Strategies Prosedur umum dalam ES dapat dinyatakan dengan istilah (μ,λ). Di mana μ adalah jumlah solusi awal atau populasi awal, sedangkan λ merupakan jumlah solusi yang dihasilkan dari generasi awal (offspring). Karena ES lebih mengandalkan mutasi, maka proses rekombinasi tidak selalu digunakan. Secara umum terdapat empat tipe proses dari ES, yaitu : (μ,λ) (μ/r, λ) (μ + λ) (μ/r + λ) ES (μ,λ) tidak menggunakan rekombinasi dalam proses reproduksi. Seleksi menggunakan elitism selection hanya melibatkan individu dalam offspring, individu induk / parent dalam populasi tidak dilibatkan. ES (μ/r,λ) serupa dengan ES (μ,λ) dengan tambahan melibatkan proses rekombinasi. ES (μ+λ) tidak menggunakan rekombinasi dan proses seleksi menggunakan elitism selection melibatkan individu offspring dan induk / parent (Mahmudy, 2013). Apabila P(t) dan C(t) merupakan populasi (parents) dan offspring pada generasi ke-t maka siklus ES dapat dideskripsikan sebagai berikut pada Gambar 1.
Gambar 1 Procedure ES
Siklus penyelesaian masalah dengan menggunakan algoritma ES adalah sebagai berikut: a.
Representasi Kromosom Kromosom tersusun dari sejumlah gen yang merepresentasikan variabel - variabel solusi (Lange, 2007). Pada algoritma ES, representasi kromosom disertai dengan fungsi fitness yang menyatakan kebaikan dari solusi, dan sigma (strategy parameter) yang menyatakan level mutasi. Ada beberapa bentuk representasi kromosom, seperti representasi biner, integer, real, dan permutasi. Representasi permutasi telah sukses diterapkan pada berbagai masalah kombinatorial seperti Travelling Salesperson Problem, perencanaan dan penjadwalan produksi industri manufaktur (Mahmudy, 2013). Pada penelitian ini menggunakan representasi permutasi. Gambar 2 merupakan contoh representasi permutasi.
f.
Inisialisasi Tahap inisialisai ini bertujuan untuk membangkitkan himpunan solusi baru secara acak yang terdiri dari sejumlah string kromosom dan ditempatkan pada penampungan yang disebut dengan populasi. Pada tahap ini miu (μ) yang menyatakan ukuran populasi harus ditentukan. Panjang string kromosom (stringLen) dihitung berdasarkan presisi variable dan solusi yang dicari (Mahmudy, 2013). g.
Reproduksi Proses reproduksi merupakan suatu proses dalam algoritma ES untuk membentuk suatu individu baru. Reproduksi pada ES (μ + λ) hanya menggunakan proses mutasi. Proses mutasi yang digunakan pada penelitian ini adalah exchange mutation. Metode mutasi exchange mutation bekerja dengan dua posisi (excanghe point / XP) secara random, kemudian menukarkan nilai pada posisi tersebut (Mahmudy, 2013). Proses mutasi dengan metode exchange mutation dijelaskan pada Gambar 3.
Gambar 2 Representasi Permutasi b.
Genotype (Gen) Sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam algoritma genetika, gen ini bisa berupa nilai biner, float, integer maupun karakter, atau kombinatorial. (Santoso, 2015). c.
Kromosom Gabungan gen-gen yang memiliki nilai tertentu. (Santoso, 2015). d.
Individu Menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat. (Santoso, 2015). Populasi Merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi. (Santoso, 2015).
Gambar 3 Proses Exchange Mutation Pada algoritma ES individu yang dibangkitkan disertai dengan nilai sigma yang menyatakan level mutasi. Mekanisme self adaptation yang digunakan untuk mengontrol nilai sigma (strategy parameters) menggunakan aturan 1/5, dimana nilai σ / sigma (strategy parameters) dinaikkan jika terdapat paling sedikit 1/5 atau 20% hasil mutasi yang menghasilkan individu yang lebih baik dari induknya / parent, jika tidak maka nilai σ diturunkan. Nilai σ dinaikkan dengan mengalikan σ dengan 1,1 dan diturunkan dengan mengalikan σ dengan 0,9. (Mahmudy, 2013). Aturan 1/5 ditunjukkan pada Persamaan 1 (Beyer, 2002).
e.
σ=
σ/α, if Ps > 1/5 σ, α, if Ps < 1/5 σ,
if Ps = 1/5
(1)
Jika jumlah generasi lebih besar dari 30, maka nilai σ / sigma yang direkombinasikan antara 0.85 ≤ α ≤ 1 (Beyer, 2002). Offspring (λ) yang dihasilkan pada proses algoritma ES diperoleh dari perkalian populasi awal (μ) dengan suatu constanta dalam rentang nilai [0, 10], seperti yang ditunjukkan pada Persamaan 2.2 (Mahmudy, 2013). λ=C*μ (2) h. Seleksi Proses seleksi merupakan proses terakhir dalam satu generasi, dimana pada proses ini sistem menghasilkan populasi baru yang akan bereproduksi pada generasi berikutnya. Proses ES yang digunakan dalam penelitian ini adalah (μ+λ), sehingga proses seleksi melibatkan baik individu parent maupun individu dalam offspring. Metode yang digunakan adalah elitism selection, dimana memilih individu dengan nilai fitness terbaik sebanyak populasi yang ditentukan sebelumnya (Vista, 2015). i.
Fitness Fungsi fitness merupakan ukuran untuk kondisi dari kromosom yang mengekspresikan kemungkinan suatu kromosom akan tetap hidup dalam generasinya. Kromosom dipilih untuk diseleksi dan memperoleh generasi baru. Semakin besar nilai fitness-nya maka semakin baik pula solusi yang didapatkan dari individu tersebut dan akan mempunyai kesempatan dipertahankan untuk menghasilkan generasi selanjutnya (Endarwati, 2014). Untuk permasalahan meminimalkan fungsi (minimasi) maka fitness yang dapat digunakan, yakni : Fitness = 1 / f(x) . (3) 2.3. Kondisi Berhenti Pemilihan syarat berhenti yang paling tepat sangat bergantung pada tingkat kerumitan masalah dan perangkat keras yang digunakan. Untuk sebuah kasus mungkin sekali syarat berhenti yang paling cocok adalah batas nilai fungsi fitness (seperti halnya pada kasus dalam penelitian ini), tetapi belum tentu syarat berhenti ini bisa diterapkan untuk kasus lainnya. Syarat berhenti yang biasanya dipakai adalah banyak generasi. Namun demikian, tidak menutup kemungkinan untuk
dipilih kombinasi beberapa syarat berhenti (Zukhri, 2013). Setelah proses seleksi dijalankan dan menghasilkan parent baru di dalam populasi, maka akan dilakukan pengecekan kondisi berhenti. Kondisi berhenti standar yang biasa digunakan adalah (Beyer & Schwefel, 2002) : 1. Batas maksimum iterasi / generasi telah tercapai. 2. Telah melewati batas waktu pemrosesan. 3. Terjadi konvergensi pada nilai fitness yaitu nilai fitness tidak mengalami perubahan yang signifikan atau bahkan tidak mengalami perubahan sama sekali. III.
METODE PENELITIAN Dalam penelitian ini metode yang digunakan dalam pengembangan sistem adalah model Waterfall atau yang biasa disebut metode air terjun. Metode ini dipilih karena pengembangan sistem dilakukan tahap demi tahap, dimulai dari tahap analisa hingga terakhir tahap testing dan maintenance. Model Waterfall menurut Pressman.
IV.
PERANCANGAN DAN IMPLEMENTASI
A. PERANCANGAN Langkah-langkah optimasi tebar benih dan pakan dengan evolution strategies ditunjukkan pada Gambar 4.1.
Gambar 6 Form Data Kolam
Gambar 4 Diagram Alir Penyelesaian Optimasi Tebar Benih dan Pakan dengan ES
Gambar 7 Form Data Pakan
B. IMPLEMENTASI Implementasi optimasi tebar benih dan pakan pada kolam ikan lele sebagai berikut :
Gambar 8 Form Data Benih
Gambar 5 Form Utama
Ratarata
0,3 149
0,2 749
0,3 415
0,3 748
0,3 995
0,3 998
--------
Pada tabel 1 ditunjukkan bahwa nilai fitness terbesar dihasilkan oleh pengujian dengan ukuran populasi 40 dengan nilai fitness rata-rata 0.3998 dan yang terkecil adalah ukuran populasi 10 dengan nilai fitness ratarata 0.2749. Dan ditunjukkan juga bahwa nilai fitness rata-rata terbesar dihasilkan oleh pengujian dengan ukuran offspring 10 dengan nilai fitness rata-rata 0.3888 dan yang terkecil adalah ukuran offspring 9 dengan nilai fitness rata-rata 0.3053.
Gambar 9 Form Proses ES V.
HASIL DAN PEMBAHASAN Analisa yang dilakukan pada bab ini adalah bagaimana cara mengoptimalkan tebar benih dan pakan pada suatu kolam menggunakan algoritma evolution strategies dengan 2 uji coba. Uji coba 1 yaitu pengaruh kombinasi ukuran miu / parent dan ukuran offspring (lamda) dilakukan pada generasi 100. Ukuran jumlah populasi yang digunakan adalah 5.10, 20, 30, 40, 50. Sedangkan untuk ukuran jumlah offspring adalah 1,2,3,4,5,6,7,8,9, dan 10 sedangkan nilai sigma yang dilakukan pada uji coba ini adalah 2.
A. Hasil dan Analisa Uji Coba Populasi dan Offspring Tabel 1 Hasil Uji Coba 1 Ukur an Offsp ring
Ukuran Populasi 20 30 40
5
10
1
0,2
2
4
0,3 33 0,2 5 0,5
5
0,2
6
0,3 33 0,5
0,3 33 0,2 5 0,2 5 0,2 5 0,3 33 0,3 33 0,2 5 0,2 5 0,2 5 0,2 5
3
7 8 9 10
0,3 33 0,2 5 0,2 5
0,3 33 0,2 5 0,2 5 0,5 0,3 33 0,3 33 0,3 33 0,2 5 0,3 33 0,5
0,3 33 0,3 33 0,3 33 0,3 33 0,2 5 0,3 33 0,5
0,3 33 0,5 0,3 33 0,3 33 0,3 33 0,5
50
0,3 33 0,3 33 0,5 0,3 33 0,5 0,5
0,5
0,3 33 0,5
0,3 3 0,5
0,3 33 0,5
0,3 33 0,5
0,3 33 0,3 33
Rat arata 0,3 108 0,3 332 0,3 193 0,3 748 0,3 248 0,3 887 0,3 743 0,3 883 0,3 053 0,3 888
Grafik Perbandingan Ukuran Populasi Terhadap Nilai Fitness 0.6 0.4 0.2 0 5
10
20
30
40
50
Gambar 10 Grafik Perbandingan Ukuran Populasi Terhadap Nilai Fitness Gambar 10 menunjukkan hasil perbandingan ukuran populasi terhadap nilai rata-rata fitness terjadi penurunan pada ukuran populasi 10 dan cenderung naik setelah ukuran populasi 20 hingga 50. Hal ini menunjukkan bahwa semakin bertambah ukuran populasi tidak menjamin bertambahnya nilai fitness.
Grafik Perbandingan Ukuran Offspring Terhadap Nilai Fitness 0.5 0.4 0.3 0.2 0.1 0 1
2
3
4
5
6
7
8
9
10
Gambar 11 Grafik Perbandingan Ukuran Offspring Terhadap Nilai Fitness
Gambar 11 menunjukkan bahwa hasil perbandingan ukuran offspring terhadap nilai fitness cenderung tidak stabil atau naik turun. Hal ini menunjukkan bahwa jumlah offspring yang besar tidak menjamin menghasilkan nilai fitness yang besar. B.
Hasil dan Analisa Uji Coba Generasi Uji coba generasi yaitu pengujian terhadap pengaruh ukuran generasi dilakukan dengan menggunakan ukuran populasi adalah 25, ukuran offspring adalah 6 dan sigma adalah 3. Untuk ukuran generasi yang digunakan yaitu 10, 20, 30, 40, 50, dan 100. Untuk setiap pengujian dilakukan 5 kali uji coba untuk kemudian diambil rata-rata. Tabel 2 Hasil Uji Coba 2 Banya Populasi = 25, offspring = 6, Rata k sigma = 3 -rata Gener nilai Percobaan asi fitne 1 2 3 4 5 ss 10 0,5 0,3 0,3 0,2 0,5 0,38 33 33 5 32 20 0,3 0,3 0,5 0,2 0,48 1 33 33 5 32 30 0,3 0,5 0,2 0,3 0,3 0,34 33 5 33 33 98 40 0,3 0,3 0,2 0,5 0,2 0,33 33 33 5 5 32 50 0,5 0,2 0,5 0,3 0,51 1 5 33 66 100 0,2 0,3 0,3 0,5 0,3 0,34 5 33 33 33 98 Tabel 2 menunujukkan bahwa ratarata nilai fitness tertinggi diperoleh ketika generasi berjumlah banyak yaitu 50 generasi dengan rata-rata fitness sebesar 0,5166. Sedangkan nilai fitness terkecil diperoleh pada saat jumlah generasi 40 dengan nilai fitness 0,3332.
Grafik Perbandingan Banyak Generasi Terhadap Nilai Fitness 0.6 0.5 0.4 0.3 0.2 0.1 0 10
20
30
40
50
100
Gambar 12 Grafik Perbandingan Banyak Generasi Terhadap Nilai Fitness Gambar 12 menunjukkan bahwa nilai fitness dari 10 generasi hingga generasi ke 100 mengalami kenaikan dan penurunan, pada generasi 30 mengalami penurunan nilai fitness yang begitu besar begitu juga pada generasi 40 yang mengalami penurunan, kemudian pada generasi 50 mengalami kenaikan nilai fitness yang begitu signifikaan, dan terjadi penurunan nilai fitness pada generasi 100. Karena faktor algoritma evolution strategies yang bersifat acak, maka hasil fitness tidaklah tetap dan hasilnya bervariasi.
C. Solusi Optimum Dalam penelitian optimasi tebar benih dan pakan pada suatu kolam menggunakan algoritma evolution strategies, didapatkan beberapa parameter terbaik pada pengujian generasi yang dilakukan sebanyak 5 kali percobaan dengan fitness paling optimal yaitu pada percobaan ke 2, ukuran populasi = 25, offspring = 6, sigma = 3, banyaknya generasi = 20, kemudian pada percobaan ke 4 dengan nilai generasi=50, Hal ini disebabkan karena konsep random dalam algoritma es dimana pembangkitan kromosom awal dan strategy paramters / sigma dilakukan secara acak. Nilai fitness yang dihasilkan adalah 1, artinya tidak terjadi pelanggaran PTI (pakan tidak ideal) dan KTI (kolam tidak ideal). Berikut merupakan hasil optimal yang didapat berdasarkan hasil uji coba 2 :
Tabel 3 Hasil Optimal Percobaan Ke 2 Kolam Luas Tebar Tebar Kolam Benih Pakan (m) (ekor) (kg) 1 5x2 1.000 500 2 10x5 5.000 650 3 10x12 9.000 800 4 8x15 20.000 2.000 Tabel 4 Hasil Optimal Percobaan Ke 4 Kolam Luas Tebar Tebar Kolam Benih Pakan (m) (ekor) (kg) 1 5x2 3.000 650 2 10x5 6.000 1000 3 10x12 10.000 2.000 4 8x15 20.000 2.000 VI.
PENUTUP A. Kesimpulan Berdasarkan hasil analisa dan pembahasan pada bab sebelumnya maka dapat disimpulkan beberapa hal, diantaranya : 1. Evolution Strategies (ES) dapat digunakan untuk menyelesaikan masalah optimasi tebar benih dan pakan pada suatu kolam dengan menggunakan representasi permutasi, strategy parameter yang mempengaruhi proses mutasi, dan selection elitism. 2. Optimasi tebar benih dan pakan pada suatu kolam dipengaruhi oleh beberapa parameter, yaitu parameter ukuran populasi, offspring, sigma/level mutasi dan banyaknya generasi. Semakin besar ukuran populasi semakin meningkat nilai fitness akan tetapi terjadi penurunan terhadap populasi ke 10, pada parameter offspring nilai fitness tidak tetap atau bervariasi dari ukuran offspring yang semakin meningkat. Kemudian pada parameter pengujian banyaknya generasi terjadi penurunan nilai fitness akan tetapi setelah terjadi penurunan terjadi peningkatan nilai fitness. Berdasarkan hasil pengujian banyaknya generasi, nilai fitness tertinggi/optimum atau tidak terjadi pelanggaran kolam tidak ideal (KTI) dan pakan tidak ideal (PTI) diperoleh
pada generasi ke 20 dan 50 artinya nilai fitness pada kromosom/parent tersebut adalah 1. B. Saran Dari penelitian yang dilakukan ada beberapa saran yang akan diberikan untuk pengembangan lebih lanjut, adalah sebagai berikut : 1. Pada penelitian selanjutnya digunakan metode mutasi yang berbeda sepeti insertion mutation, serta membandingkan metode mutasi antara exchange mutation dan insertion mutation. 2. Penelitian selanjutnya perlu dikembangkan dengan membandingkan algoritma evolution strategies dan algoritma genetika berdasarkan kecepatan waktu proses algoritma, dan hasil fitness, tujuannya agar mendapatkan solusi terbaik antara kedua algoritma tersebut. DAFTAR PUSTAKA Beyer, H. G, Schwefel, H. P. 2002. Evolution Strategies: A Comprehensive Introduction. Journal Natural Computing 1, 2002, 3-52.
Risnandar, C. (2013), Panduan Lengkap Budidaya
Ikan
Lele,
http://alamtani.com/budidaya-ikanlele.html, 12 Agustus 2016. Endarwati, DA., Mahmudy, WF., dan Ratnawati, DE., 2014, Pencarian rute optimum dengan evolution strategies, Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 4, no. 10. Harun, I.A., Mahmudy, W.F., dan Yudistira, N., 2014, Implementasi evolution strategies untuk penyelesaian vehicle routing problem with time windows pada distribusi minuman soda XYZ, Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 4, no. 1. Kusnadi, A., dan Santoso, D.S., 2015, Implementasi Algoritma Genetika Pada Penempatan Tugas Asisten Laboratorium Berbasis Web, ULTIMATICS, vol. 7, no.2. Mahmudy, W.F., 2013, Algoritma Evolusi, Program Teknologi Informasi dan
Ilmu Komputer, Universitas Brawijaya, Malang. Milah, H. dan Mahmudy, W.F., 2015, Implementasi Algoritma Evolution Strategies Untuk Optimasi Komposisi Pakan Ternak Sapi Potong, Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 11. Munawaroh, F. dan Mahmudy, W.F., 2015, Penerapan algoritma evolution strategies untuk meminimumkan biaya distribusi barang, Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 11. Okada, H., Tokida, J., dan Fujii, Y., 2012, Comparison of Evolution Strategy, Genetic Algorithm and Their Hybrids
Putri,
on Evolving Autonomous Game Controller Agents, International Journal Of Science and Engineering Investigations. Department of Intelligent Systems, Faculty of Computer Science and Engineering, Kyoto Sangyo University. A.M.D.A., Mahmudy, W.F., dan Cholissodin, I., 2015, Optimasi model fuzzy AHP dengan menggunakan algoritma evolution strategies (studi kasus: pemilihan calon penerima beasiswa PTIIK Universitas Brawijaya), Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 15.