Optimasi Kandungan Gizi Susu Kambing Peranakan Etawa Menggunakan Extreme Learning Machine Dan Improved-Particle Swarm Optimization

Fakultas Ilmu Komputer

Universitas Brawijaya

3906

Optimasi Kandungan Gizi Susu Kambing Peranakan Etawa Menggunakan

Extreme Learning Machine

Dan

Improved-Particle Swarm Optimization

Bayu Andika Paripih1_{, Imam Cholissodin}2_{, Putra Pandu Adikara}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1_{kindbayu@gmail.ac.id,} 2_{imamcs@ub.ac.id,} 3_{adikara.putra@ub.ac.id}

Abstrak

Susu merupakan salah satu sumber protein hewani yang mengandung semua zat yang mudah dicerna dan dimanfaatkan oleh tubuh. Produksi susu sapi perah relatif rendah sehingga belum memenuhi kebutuhan protein hewani masyarakat Indonesia. Kambing Peranakan Etawa mempunyai produksi susu yang tinggi dan cocok dikembangkan dengan iklim Indonesia sehingga dapat dijadikan alternatif. Kualitas produksi susu dipengaruhi oleh faktor pakan. Penelitian ini menggunakan Extreme Learning Machine dan Improved-Particle Swarm Optimization untuk mencari komposisi pakan yang tepat agar kambing memproduksi susu yang baik. Produksi susu kambing dimodelkan menggunakan Extreme Learning Machine dibantu dengan Improved-Particle Swarm Optimization untuk mendapatkan komposisi pakan terbaik agar kambing menghasilkan susu yang baik. Hasil pengujian parameter untuk pemodelan menghasilkan parameter terbaik diantaranya jumlah hidden node = 9, ukuran populasi serta iterasi maksimum untuk IPSO pemodelan masing-masing sebanyak 70 dan 30 dengan fitness 0,973892. Hasil pengujian parameter untuk mencari komposisi pakan diantaranya populasi serta iterasi maksimum untuk IPSO kandungan susu masing-masing sebanyak 90 dan 20 dengan fitness 38,51344218.

Kata kunci: susu kambing PE, ELM, IPSO

Abstract

Milk is source of protein which is contain all of easy digested and required nutrition. Milk production

by dairy cows are low so Indonesian need of milk can’t be fulfilled. PE goat can produce qualify milk

cow and it also suitable to be cultivated at Indonesia so they can be alternative of milk source. Produced milk quality is affected by given feed. This research uses Extreme Learning Machine and Improved-Particle Swarm Optimization to search best feed composition so the goat can produce good milk. Parameter calibration for building model are hidden node = 9, population size 70, maximum iteration 40 with fitness value 0.973892. Parameter calibration for searching feed composition are population size = 90 and maximum iteration 20 with fitness value 38,51344218.

Keywords: PE goat milk, ELM, IPSO

1. PENDAHULUAN

Susu merupakan salah satu sumber protein hewani yang mengandung semua zat yang mudah dicerna dan dimanfaatkan oleh tubuh (Ressang & Nasution, 1982). Produksi susu sapi perah relatif rendah sehingga belum kebutuhan protein hewani masyarakat Indonesia belum terpenuhi. Susu kambing memiliki kandungan gizi yang serupa dengan susu sapi (Razafindrakoto, et al., 1994). Kambing Peranakan Etawa mempunyai produksi susu yang tinggi dan cocok dikembangkan dengan

iklim Indonesia sehingga dapat dijadikan alternatif. Kualitas produksi susu dipengaruhi oleh faktor pakan.

tidak dapat menjamin ditemukan bobot dan bias terbaik agar ELM menghasilkan hasil yang maksimal. Improved-Particle Swarm Optimization (IPSO) dapat membantu menemukan parameter-parameter ELM yang tepat.

Improved-Particle Swarm Optimization (IPSO) merupakan pengembangan dari Particle Swarm Optimization (PSO). Particle Swarm Optimization (PSO) merupakan salah satu algoritme optimasi. PSO meniru perilaku sekumpulan hewan dalam mencari makan. PSO mudah diterapkan dan terbukti baik dalam banyak permasalahan optimasi (Chen, et al., 2014). PSO lebih cepat konvergen dibanding algoritme evolusi seperti Algoritme Genetika karena keseimbangan antara ekslporasi dan eksploitasi (Visalakshi & Silvanandam, 2009).

Berdasarkan masalah di atas maka penulis mengajukan penelitian “Optimasi Kandungan Gizi Susu Kambing Peranakan Etawa Menggunakan Extreme Learning Machine (ELM) dan Improved-Particle Swarm Optimization (IPSO)”. Extreme Learning Machine (ELM) digunakan untuk membuat pemodelan dan prediksi produksi susu sedangkan Improved-Particle Swarm Optimization (IPSO) digunakan untuk optimasi.

Kandungan gizi pakan yang digunakan adalah abu, protein kasar (PK), lemak kasar (LK), dan serat kasar (SK). Kandungan gizi susu yang dioptimalkan adalah protein lemak, laktosa, dan berat jenis (density) sedangkan yang diminimalkan adalah lemak. Data yang digunakan sebanyak 6 data latih dan 3 data uji.

2. DASAR TEORI

2.1 Extreme Learning Machine (ELM)

ELM pertama kali diperkenalkan oleh Huang (2004). ELM merupakan jaringan saraf tiruan (JST) feedforward dengan single hidden layer atau disebut dengan SLFNS. Metode pembelajaran ini dibuat untuk mengatasi beberapa kelemahan dari jaringan saraf tiruan feedforward, terutama dalam hal waktu pelatihan (Huang, et al., 2006).

Arsitektur ELM dapat dilihat pada Gambar 1.

Gambar 1 Arsitektur ELM

Langkah-langkah pelatihan algoritme ELM (Cholissodin, 2016):

1. Buat random Wjk sebagai bobot masukan.

2. Hitung matriks keluaran hidden layer

𝐻 = 1/(1 + 𝑒𝑥𝑝(−𝑋. 𝑊𝑇))

3. Hitung output weight

𝛽 = 𝐻

†

. 𝑌

dimana

𝐻

†

= (𝐻

𝑇

. 𝐻)

−1

. 𝐻

𝑇

4. Hitung hasil prediksi

Ŷ = 𝐻. 𝛽

Langkah-langkah pengujian algoritme ELM:

1. Diketahui 𝑊𝑗𝑘, dan

𝛽

2. Hitung matriks keluaran hidden layer

𝐻 = 1/(1 + 𝑒𝑥𝑝(−𝑋𝑡𝑒𝑠𝑡. 𝑊𝑇)) 3. Hitung hasil prediksi

Ŷ = 𝐻. 𝛽

4. Hitung nilai evaluasi, misal dengan MAPE, MAE, MSE dan lainnya.

2.2 Algoritma Improved-Particle Swarm Optimization (IPSO)

IPSO merupakan pengembangan dari Particle Swarm Optimization (PSO). Perbedaannya terletak pada tahap pembaruan kecepatan. Dalam IPSO inertia weight dan constriction factor diterapkan secara asinkron.

Inertia weight digunakan untuk

menyeimbangkan penelusuran global dan lokal. Constriction factor digunakan untuk memastikan konvergensi partikel (Yonghe, et al., 2015).

Langkah-langkah dalam IPSO: 1. Inisialisasi partikel

Posisi awal partikel harus berada dalam domain yang dibatasi oleh dua vektor x_min dan x_max yang mewakili batas bawah dan batas atas setiap dimensi (Engelbrecht, 2007). Pembangkitan populasi awal partikel

menggunakan Persamaan (1).

𝑥𝑖𝑑

= 𝑥𝑚𝑖𝑛

+ 𝑟𝑎𝑛𝑑[0,1] ∗ (𝑥𝑚𝑎𝑥

−

𝑥

𝑚𝑖𝑛

)

(1)

2. Hitung fitness

3. Perbarui personal best 4. Perbarui global best

5. Perbarui kecepatan dan posisi

Jika iterasi sekarang berada pada setengah iterasi awal, kecepatan dihitung menggunakan Persamaan (3).

𝑣𝑖𝑑 = 𝑤 ∗ 𝑣𝑖𝑑+ 2 ∗ 𝑟1∗ (𝑝𝑖𝑑− 𝑥𝑖𝑑) + 2 ∗ 𝑟2∗ (𝑝𝑔𝑑− 𝑥𝑔𝑑) (3) Jika partikel ke-i merupakan global best inertia weight dihitung menggunakan Persamaan (4) namun jika tidak inertia weight dihitung menggunakan Persamaan (5).

𝑤 = 0,857143 (4)

𝑤 = 0,857143 + ((1 − 0,857143) ∗ (1 −_𝑇𝑡

𝑚𝑎𝑥)) (5) Jika iterasi sekarang berada pada setengah iterasi akhir, kecepatan dihitung menggunakan Persamaan (6).

𝑣𝑖𝑑 = 𝐾[0.7 ∗ 𝑣𝑖𝑑+ 2 ∗ 𝑟1∗ (𝑝𝑖𝑑− 𝑥𝑖𝑑) + 2 ∗ 𝑟2∗ (𝑝𝑔𝑑− 𝑥𝑔𝑑)] (6) Constriction factor (𝐾) dihitung menggunakan persamaan (7).

𝐾 =

𝑐𝑜𝑠( 2𝜋

𝑇𝑚𝑎𝑥∗(𝑡−𝑇𝑚𝑎𝑥2 ))+2,428571

4

(7)

Setelah menghitung kecepatan selanjutnya memperbarui posisi dengan cara menjumlahkan posisi lama dengan kecepatan seperti pada Persamaan (8).

𝑥

𝑖𝑑𝑡+1

= 𝑥

𝑖𝑑𝑡

+ 𝑣𝑖𝑑

(8)

6. Periksa kondisi pemberhentian

Dalam penelitian ini kondisi pemberhentian yang digunakan adalah iterasi maksimum.

3. METODOLOGI

Sistem kerja penelitian ini dibagi menjadi dua langkah.

Langkah pertama adalah membangun model, mencari bobot dan bias ELM terbaik yang menghasilkan nilai error terkecil menggunakan IPSO. Nilai fitness pada langkah ini dihitung menggunakan Persamaan (9).

𝑓𝑖𝑡𝑛𝑒𝑠𝑠𝑖 =_{𝑀𝑒𝑎𝑛𝑀𝑆𝐸 + 0,001}1

(9)

Langkah kedua adalah mencari komposisi kandungan gizi pakan terbaik menggunakan IPSO. Penelitian ini memaksimalkan protein, laktosa, dan berat jenis (density) serta

meminimalkan lemak sehingga nilai fitness dihitung menggunakan Persamaan (10).

𝑓𝑖𝑡𝑛𝑒𝑠𝑠𝑖= 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 + 𝐿𝑎𝑐𝑡𝑜𝑠𝑎 + 𝐷𝑒𝑛𝑠𝑖𝑡𝑦 +

1

𝐿𝑒𝑚𝑎𝑘 (10)

Alur kerja penelitian ini dapat dilihat pada Gambar 2.

Gambar 2 Alur Sistem

4. PENGUJIAN DAN ANALISIS

Pengujian dilakukan terhadap parameter ELM dan IPSO.

4.1 Pengujian Terhadap Banyak Hidden node

Pengujian ini bertujuan mengetahui berapa jumlah hidden node terbaik. Dilakukan dengan cara memasukkan jumlah hidden layer mulai dari 1 hingga 9. Angka 9 merupakan banyak data latih. Bobot dan bias diacak dan di optimasi menggunakan IPSO dengan parameter ukuran populasi sebesar 10 serta Iterasi maksimum sebesar 10. Percobaan dilakukan sebanyak 10 kali.

Gambar 3 Hasil Pengujian Hidden node

150

Jenis pakan, kandungan gizi pakan, persentase

pemberian pakan Cari bobot dan bias

ELM terbaik

Cari komposisi gizi pakan terbaik

Ubah menjadi komposisi pakan

Komposisi pakan terbaik

Rata-rata MSE meningkat sampai hidden node sebanyak 8. Saat hidden node sebanyak 9 rata-rata MSE turun. Terlalu sedikit hidden node menyebabkan model tidak fleksibel dalam mempelajari data namun terlalu banyak hidden node menyebabkan overfitting. Jika diberi hidden node sebanyak 10 rata-rata MSE naik sangat tinggi. Hal ini terjadi karena hidden node melebihi data latih yang hanya sebanyak 9. Dari analisis hasil pengujian didapatkan hidden node terbaik sebanyak 9 dengan rata-rata MSE 166,188047.

4.2 Pengujian Terhadap Ukuran Populasi IPSO Bobot dan Bias

Pengujian ini bertujuan untuk mengetahui berapa ukuran populasi terbaik di antara 10-100. Pengujian dilakukan dengan hidden node yang telah didapat pada pengujian sebelumnya yaitu sebesar 9 serta iterasi maksimum sebesar 100. Dilakukan percobaan sebanyak 10 kali.

Gambar 4 Hasil Pengujian Ukuran Populasi IPSO Pemodelan

Nilai rata - rata fitness mengalami naik turun. Penurunan rata-rata nilai fitness disebabkan ruang pencarian lebih kecil. Sebaliknya, peningkatan rata-rata nilai fitness disebabkan ruang pencarian lebih luas. Dari pengujian di atas didapatkan ukuran populasi terbaik di antara 10-100 adalah sebesar 70 dengan nilai fitness 0,246647.

4.3 Pengujian Terhadap Iterasi Maksimum IPSO Bobot dan Bias

Pengujian ini bertujuan untuk mengetahui berapa ukuran populasi terbaik di antara 10-100. Pengujian dilakukan dengan Iterasi maksimum sebesar 10. Percobaan dilakukan sebanyak 10 kali.

Gambar 5 Hasil Pengujian Iterasi Maksimum IPSO Pemodelan

Rata-rata nilai fitness meningkat secara signifikan sampai Iterasi ke-40 lalu selanjutnya perbedaannya sangat kecil. Semakin banyak iterasi maka partikel mempunyai lebih banyak kesempatan untuk memperbarui posisi sehingga semakin mendekati solusi optimal. Iterasi yang terlalu besar tidak baik karena nilai fitness meningkat sangat kecil atau bahkan tidak meningkat namun waktu komputasi tetap meningkat. Dari pengujian di atas didapat Iterasi maksimum terbaik sebesar 40 dengan nilai fitness 0,120102.

4.4 Pengujian Terhadap Ukuran Populasi IPSO Kandungan Susu

Pengujian ini bertujuan untuk mengetahui berapa ukuran populasi terbaik di antara 10-100. Pengujian dilakukan dengan Iterasi maksimum sebesar 10. Percobaan dilakukan sebanyak 10 kali.

Gambar 6 Hasil Pengujian Ukuran Populasi IPSO Kandungan Susu

Nilai rata - rata fitness mengalami naik turun. Penurunan rata-rata nilai fitness disebabkan ruang pencarian lebih kecil.

0

Pengujian Terhadap Ukuran

Populasi

Hasil Pengujian Terhadap

Iterasi maksimum

Hasil Pengujian Ukuran

Populasi IPSO Kandungan

Sebaliknya, peningkatan rata-rata nilai fitness disebabkan ruang pencarian lebih luas. Dari pengujian di atas didapatkan ukuran populasi terbaik di antara 10-100 adalah sebesar 70 dengan nilai fitness 18,8258265.

4.5 Pengujian Terhadap Iterasi Maksimum IPSO Kandungan Susu

Pengujian ini bertujuan untuk mengetahui pada Iterasi ke berapa nilai fitness mulai stabil. Pengujian dilakukan dengan hidden node dan ukuran populasi yang telah didapat pada pengujian sebelumnya yaitu sebesar 9 dan 70. Dilakukan percobaan sebanyak 10 kali.

Gambar 7 Hasil Pengujian Iterasi Maksimum IPSO Kandungan Susu

Rata-rata nilai fitness meningkat sampai Iterasi ke-30 lalu selanjutnya stabil. Dari pengujian di atas didapat Iterasi maksimum terbaik sebesar 30 dengan nilai fitness 7,190625.

5. PENUTUP

5.1 Kesimpulan

1. Extreme Learning Machine (ELM) dan Improved-Particle Swarm Optimization (IPSO) dapat diterapkan pada optimasi kandungan gizi susu kambing Peranakan Etawa dengan alur kerja sebagai berikut:

a. Data set dinormalisasi menggunakan Min-Max Normalization.

b. Memodelkan produksi susu berdasarkan gizi pakan yang dikonsumsi dengan ELM. Bobot yang digunakan dicari menggunakan IPSO agar menghasilkan nilai error yang sekecil mungkin.

c. Optimasi kandungan gizi susu menggunakan IPSO. Model ELM yang telah didapat digunakan untuk memprediksi produksi susu.

d. Memberikan hasil rekomendasi pakan yang optimal.

2. Hasil pengujian terhadap parameter ELM dan IPSO menghasilkan parameter terbaik untuk pemodelan yaitu hidden node = 9, ukuran populasi = 70, iterasi maksimum = 40 dengan fitness 0,973892. Parameter terbaik untuk tahap optimasi komposisi kandungan gizi susu yaitu ukuran populasi = 70, iterasi maksimum = 30 dengan fitness 38,51344218. Parameter-parameter tersebut menghasilkan hasil optimasi yaitu rumput odot 0,36 kg dan rumput raja 0,15 kg.

5.1 Saran

Penelitian selanjutnya bisa menambahkan data harga untuk mencari komposisi pakan yang murah dan memenuhi kebutuhan gizi.

6. DAFTAR PUSTAKA

Chen, S., Xu, Z., Tang, Y. & Liu, S., 2014. An

Improved Particle Swarm Optimization

Algorithm

Based

on

Centroid

and

Exponential Inertia Weight.

Mathematical

Problems in Engineering,

Volume 14.

Engelbrecht, A. P., 2007.

Computational

Intelligence : An Introduction.

2nd ed. West

Sussex: WILEY.

Huang, G.-B., Zhu, Q.-Y. & Siew, C.-K., 2006.

Extreme Learning Machine : Theory and

Applications.

Neurocomputing,

Volume 70,

pp. 289-501.

Razafindrakoto, O., Ravelomanana, N. &

Rasolofo, A., 1994. Milk as a Substitute for

Cow's Milk in Undernourished Children: A

Randomized Double-Bind Clinical Trial.

PEDIATRICS,

94(1), pp. 65-69.

Ressang, A. A. & Nasution, A. M., 1982.

Ilmu

Kesehatan Susu (Milk Hygoene).

2 ed.

Bogor: Institud Pertanian Bogor.

7.13

Visalakshi, P. & Silvanandam, S. N., 2009.

Dynamic Task Scheduling with Load

Balancing using Hybrid Particle Swarmp

Optimization.

International Journal of Open

Problems

in.

Computer

Science

and

Mathematics,

3(2), pp. 475-488.