Waktu dan Tempat
Penelitian dilakukan pada peternakan sapi perah rakyat di Kebon Pedes Bogor sebagai daerah menengah (400-600 dpl) dan peternakan sapi perah rakyat di Pondok Rangon Jakarta Timur sebagai dataran rendah (200-400 dpl). Lama penelitian dilaksanakan masing-masing daerah selama satu bulan dari bulan Januari 2011 hingga Februari 2011.
Materi Penelitian
Kegiatan penelitian ini untuk menganalisis penentuan suhu kritis sapi dara PFH dalam kandang berdasarkan respon fisiologis pada masing-masing waktu dan suhu lingkungan dengan berbeda daerah. Enam ekor sapi PFH dara menempati tiap petak kandang dengan ukuran 1 x 1,8 m. Sapi-sapi dipelihara selama 14 hari, dengan kurun waktu tersebut setiap hari diberikan pakan pada pagi hari (pukul 06.00) dan sore hari (pukul 15.00), rasio pemberian rumput dan konsentrat setiap hari antara 60 : 40%. Selama pengamatan sapi tidak dimandikan.
Rancangan penelitian secara pengamatan langsung pada sapi dara PFH untuk menganalisis suhu kritis sapi dara dalam kandang berdasarkan respon fisiologis pada masing-masing waktu dan suhu lingkungan dengan berbeda daerah. Selanjutnya dilakukan pengamatan respon fisiologis pada masing-masing
waktu dan suhu lingkungannya, dari pukul 5.00 hingga pukul 20.00 dengan interval satu jam.
Parameter yang Diamati
Parameter yang diamati terdiri atas faktor iklim dan respon fisiologis sapi perah. Faktor iklim yang diukur meliputi suhu udara (Ta), kelembaban udara (Rh), kecepatan angin (Va), dan menghitung Temperature Humidity Indeks (THI). Pengamatan suhu udara, kelembaban udara, dan kecepatan angin dalam kandang dilakukan setiap hari dari pukul 05.00 hingga pukul 20.00 dengan interval satu jam selama 14 hari.
Respon fisiologis sapi dara yang diukur adalah suhu rektal (Tr), suhu permukaan kulit (Ts), menghitung suhu tubuh (Tb), frekuensi pernafasan (Rr), dan denyut jantung (Hr). Pencatatan suhu rektal (Tr), suhu permukaan kulit (Ts), suhu tubuh (Tb), frekuensi pernafasan (Rr), dan denyut jantung (Hr) dilakukan selama 14 hari dari pukul 05.00 hingga pukul 20.00 dengan interval satu jam. Konsumsi pakan diukur setiap hari pada pukul 07.00.
Metode Pengukuran Parameter
Pengukuran faktor-faktor iklim yang dilakukan meliputi suhu udara dan kelembaban udara kandang diukur dengan termometer bola basah dan bola kering (dry-wet, Sanghai). Indeks suhu kelembaban (THI) dihitung menggunakan rumus Hahn (1985), yaitu : THI = DBT + 0.36 WBT + 41.2, DBT = suhu bola kering (0C) dan WBT = suhu bola basah (0C). Kecepatan angin diukur menggunakan anemometer digital (TAYLOR-Roschest, New York) yang diletakkan di dalam kandang. Anemometer merekam data setiap 15 menit kemudian di baca kecepatan rata-ratanya.
Parameter dan prosedur yang dilakukan pada pengukuran respon fisiologis sapi dara PFH meliputi:
1. Suhu rektal (Tr), diukur dengan memasukkan termometer rektal (SAFETY, Japan) ke dalam rektal sedalam ± 10 cm selama tiga menit.
2. Suhu permukaan kulit (Ts), diukur dengan termometer pengukur suhu kulit digital di empat titik lokasi pengukuran yaitu punggung (A), dada (B), tungkai atas (C), dan tungkai bawah (D). Rataan suhu permukaaan kulit dihitung berdasarkan modifikasi rumus McLean et al. (1983); Ts = 0.25 (A + B) + 0.32 C + 0.18 D.
3. Suhu tubuh (Tb), dihitung dari suhu permukaan kulit (Ts) dan menjumlahkan dengan suhu rektal (Tr) menurut McLean et al. (1983). Suhu tubuh (Tb) dihitung dengan rumus : Tb = 0.86 Tr + 0.14 Ts.
4. Denyut jantung (Hr) diukur dengan menempelkan stetoskop (STETOSCOPE, Japan) di dekat tulang axilla sebelah kiri (dada sebelah kiri) selama satu menit. 5. Frekuensi respirasi (Rr), diukur setelah pengukuran denyut jantung dengan cara
menempelkan stetoskop di dada untuk menghitung inspirasi dan ekspirasi pernafasan selama satu menit.
6. Konsumsi pakan dihitung dengan menimbang sisa pakan yang diberikan dikurangi sisa pakan setiap hari.
Analisis Data
Data iklim mikro dan respon fisiologis ternak dianalisis untuk mendapatkan nilai rataan dan standar deviasi. Penentuan suhu kritis berdasarkan respon fisiologis disimulasikan dengan menggunakan analisis Jaringan Syaraf Tiruan (Artificial Neural Network), mengikuti model dan persamaan-persamaannya, sehingga dapat diketahui pola hubungan antara perubahan suhu udara dan kelembaban udara terhadap respon fisiologis sebagai indikator penentuan suhu kritis pada sapi dara paranakan Fries Holland.
Jaringan Syaraf Tiruan (ANN) yang digunakan adalah metode algoritma propagasi balik. Algoritma pelatihan propagasi balik banyak dipakai pada aplikasi pengaturan, karena proses pelatihannya didasarkan pada hubungan yang sederhana, yaitu bila keluaran memberikan hasil yang salah, maka penimbang (weight) dikoreksi supaya galatnaya dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati nilai yang benar. Back propagation
juga berkemampuan untuk memperbaiki penimbang pada lapisan tersembunyi (hidden layer).
Algoritma propagasi balik dapat dijelaskan sebagai berikut; ketika jaringan diberikan pola masukan sebagai pola pelatihan, maka pola tersebut menuju ke unit-unit pada lapisan sambungan antar tersembunyi untuk diteruskan ke unit-unit lapisan keluaran. Unit-unit lapisan keluaran memberikan tanggapan yang disebut keluaran jaringan. Pada saat keluaran jaringan tidak sama dengan keluaran yang diharapkan, maka keluaran akan menyebarkan mundur (backward ) bagi lapisan tersembunyi yang diteruskan ke unit pada lapisan masukan. Berdasarkan hal tersebut, maka mekanisme pelatihan dinamakan propagasi balik (back propagation). Tahap pelatihan tersebut merupakan langkah suatu jaringan syaraf berlatih, yaitu dengan cara melakukan perubahan penimbang sambungan antar lapisan yang membentuk jaringan melalui masing-masing unitnya. Bagi pemecahan masalah baru akan dilakukan bila proses pelatihan tersebut selesai, fase tersebut adalah fase mapping atau proses pengujian (testing).
Pemodelan Artificial Neural Network (Jaringan Syaraf Tiruan)
Pemodelan dimulai dengan membangun model Jaringan Syaraf Tiruan (JST), untuk mendapatkan nilai respon fisiologis pada ternak berdasarkan kondisi iklim mikronya dengan menggunakan metode propagasi balik. Arsitektur jaringan syaraf terdiri dari tiga lapisan, yaitu lapisan masukan (input layer) terdiri atas variabel masukan tiga unit sel syaraf, lapisan tersembunyi (hidden layer) terdiri atas enam unit sel syaraf, dan lapisan keluaran terdiri atas dua sel syaraf. Struktur ANN metode propagasi balik yang digunakan dalam penelitian ini tertera pada Tabel 6.
Tabel 6 Struktur ANN (Artificial Neural Network) metode propagasi balik (back propagation) yang digunakan dalam penelitian
Lapisan masukan (input layer) Lapisan tersembunyi (hidden layer) Lapisan keluaran (output layer)
3 unit 6 neuron 2 unit
x0: bias h0: bias y1: suhu rektal dan frekuensi respirasi x1: suhu udara (Ta) h1, h2, h3, h4, h5 y2: suhu kulit dan
denyut jantung x2: kelembaban udara (Rh)
Setiap penghubung antar lapisan digunakann pembobot. Bobot sebagai jembatan menghubungkan input layer ke setiap neuron pada hidden layer adalah wij: bobot yang menghubungkan unit input layer ke-I ke neuron ke-j pada hidden
layer. Penghubung setiap neuron pada hidden layer ke output layer adalah vjk: bobot yang menghubungkan neuron ke-ja pada hidden layer menuju ke-k pada
ouput layer. Skema arsitektur ANN untuk respon fisiologis yang terdiri atas suhu rektal (Tr), suhu permukaan kulit (Ts), frekuensi respirasi (Rr), dan denyut jantung sapi dara peranakan Fries Holland pada suhu dan kelembaban udara yang berbeda sebagai penentu suhu kritis tertera pada Gambar 4.
Wij Vjk
Input layer Output layer
Hidden layer
Gambar 4 Skema arsitektur ANN metode propagasi balik pemodelan suhu kritis berdasarkan respon fisiologis suhu rektal (Tr), suhu kulit (Ts), frekuensi respirasi (Rr), dan denyut jantung (Hr) sapi dara peranakan FH pada suhu dan kelembaban udara berbeda.
X1 X0 = 1 X2 h0=1 h1 h2 h3 h4 h5 Y1 Y2
Keterangan: x: masukan / input (x1 dan x2), x0: bias pada masukan /input, Wij: Bobot pada lapisan tersembunyi, Vjk : Bobot pada keluaran, h; jumlah unit pengolah pada lapisan tersembuunyi (h1…..h5), h0; bias pada lapisan tersembunyi, y; keluaran hasil
Aktivasi Jaringan Artificial Neural Network
Algoritmanback propagation membagi proses belajar ANN menjadi empat tahapan utama yang dilakukan secara iterative, sehingga jaringan menghasilkan perilaku yang diinginkan. Tahapan-tahapan aktivasi jaringan tersebut adalah sebagai berikut:
1. Inisialisasi; pada tahap inisiasi, dilakukan pengkodean dan normalisasi data input (xi) dan target tk menjadi nilai dengan kisaran (0…1), kemudian memberikan nilai pada wij dan vjk secara random dengan kisaran (-1 sampai 1). 2. Perambatan maju (feed forwards step); yaitu melakukan training pada xi dan tk
kemudian menghitung besarnya hj dan yk.
1 1 hj = yk=
1 + е-∑wij xi 1 + е-∑vijk hj
Selama perambatan maju, tiap unit masukan (xi) menerima sebuah masukan sinyal ini ke tiap-tiap lapisan tersembunyi hi, …,hj. Tiap unit tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan sinyalnya (hj) ke tiap unit keluaran. Tiap unit keluaran (yk) menghitung aktivasinya untuk membentuk respon pada jaringan untuk memberikan pola masukan
3. Perambatan mundur (backward step); menentukan nilai wij dan vjk, menghitung error pada output layer, menentukan ðk, vjk, ιj dan wij
ðk = yk (1-tk)(tk-yk) vjk= vjk + βðk . hj
ιj = hj (1-hj)∑kðk . vjk wij= wij + βιj . xi
dimana β adalah constant of learning rate(misal β=0,5).
Selama pelatihan pada tiap unit keluaran membandingkan perhitungan aktivasinya yp dengan nilai targetnya yt untuk menentukan kesalahan pola
tersebut dengan unit. Berdasarkan kesalahan tersebut, faktor ðk(k=k1 dan k2) dihitung ðk digunakan untuk menyebabkan kesalahan pada unit keluaran yk
kembali ke semua unit pada lapisan sebelumnya, yaitu unit-unit tersembunyi yang dihubungkan ke yk. Cara sama dengan faktor (h = 1, 2……5) dihitung
untuk tiap tersembunyi hj. Nilai ðk digunakan untuk mengafdet bobot-bobot antara lapisan tersembunyi dan lapisan masukan. Setelah seluruh faktor ð ditentukan, bobot untuk semua lapisan diatur secara serentak. Pengaturan bobot vjk dari unit tersembunyi hj ke unit keluaran yp didasarkan pada faktor ðk dan aktivasi hj dari unit tersembunyi hj, didasarkan pada faktor ðj dan xi unit masukan, karena perubahan bobot ini akan terjadi secara terus menerus selama proses iterasi.
4. Menentukan error atau galat acuan dengan cara jumlah kuadrat dari selisih
output yang diharapkan dengan output aktual melalui rumus sebagai berikut: N
E = 0,5 ∑ ( Yk - tk)2 < Ƹ
Keterangan :
tk = vektor nilai output yang diharapkan yk = vektor nilai output aktual
N = banyaknya jumlah data dalam training
Ƹ = besar galat yang diharapkan
Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat belajar dengan baik. Kesalahan pada keluaran dari jaringan merupakan selisih antara prediksi (current output) dan keluaran target (desired output). Menghitung nilai Sum Square Error (SSE) yang merupakan hasil penjumlahan nilai kuadrat
errorneuron ke-1 dan neuron ke-2 pada lapisan output tiap data, hasil penjumlahan kesseluruhan nilai SSE akan digunakan untuk menghitung nilai Root Mean Square Error (RMSE) tiap iterasi (Kusumadewi 2003).