Fakultas Ilmu Komputer
Penerapan Algoritme Genetika Pada Kasus Optimasi Penentuan Bibit dan
Pemerataan Subsidi pupuk (Studi Kasus: Desa Pandansari, Kabupaten
Kediri)
Erlyan Eka Pratiwi1, Agus Wahyu Widodo2, Wayan Firdaus Mahmudy3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1erlyanep@gmail.com, 2a_wahyu_w@ub.ac.id@ub.ac.id, 3wayanfm@ub.ac.id
Abstrak
Pemerataan dalam pembagian pupuk bersubsidi memiliki beberapa kendala. Berdasarkan survei pemerataan subsidi benih dan pupuk pada kelompok tani Desa Pandansari Kabupaten Kediri, beberapa kendala pemerataan tersebut yaitu kebanyakan petani tidak mempunyai dasar dan perhitungan yang tepat dalam membeli subsidi pupuk berdasarkan kebutuhan nutrisi jenis benih yang di tanam. Sehingga berakibat petani hanya membeli jenis pupuk dengan komposisi yang sama padahal varietas tanaman yang ditanam berbeda menyebabkan hasil panen yang kurang maksimal. selain itu juga jika komposisi pupuk tidak sesuai dengan varietas maka jumlah pupuk di gudang akan kekurangan dan kelebihan. Untuk memecahkan masalah tersebut digunakan metode Algoritme Genetika. Parameter algoritme yang digunakan pada tanaman padi adalah populasi sebanyak 220, generasi sebanyak 1100, nilai crossover rate 0,8 dan mutation rate 0,2 sedangkan pada tanaman jagung populasi sebanyak 320, generasi sebanyak 1250, nilai crossover rate 0,8 dan crossover rate 0,2. Nilai selisih persentase rata-rata yang dihasilkan algoritme genetika dan pupuk di gudang pada tanaman padi sebesar 9,873% sedangkan pada tanaman jagung menghasilkan selisih persentase rata-rata antara pupuk di gudang dan algoritme genetika sebesar 24,882%. Solusi Komposisi pupuk yang dihasilkan oleh algoritme genetika dapat dipastikan bahwa nutrisi yang dibutuhkan tanaman terpenuhi sehingga hasil panen dapat meningkat.
Kata kunci: Pupuk, subsidi, pemerataan, algoritme genetika
Abstract
Equity in the distribution of subsidized fertilizer has several constraints. Based on a survey of equal distribution of seed and fertilizer subsidy at farmer group of Pandansari Village of Kediri Regency, several equality obstacles are that most farmers have no basis and proper calculation in buying fertilizer subsidy based on nutrition requirement of planted seeds. So that resulted in farmers only buy the type of fertilizer with the same composition when different plant varieties that cause less than maximum yield. Besides also if the composition of fertilizer not in accordance with the varieties then the amount of fertilizer in the warehouse will be shortages and excess. To solve the problem used Genetic Algorithm method. The algorithm parameters used in rice plants are population as much as 220, generation as much as 1100, crossover rate 0,8 and mutation rate 0,2 whereas in corn plant population as much as 320, generation 1250, crossover rate 0,8 and crossover rate 0 , 2. The average percentage difference in value generated by genetic algorithm and fertilizer in warehouses on rice plant is 9,873% while in corn plants yield difference of mean percentage between fertilizer in warehouse and genetic algorithm equal to 24,882%. Solution The composition of fertilizers produced by genetic algorithms can be ascertained that the nutrients needed by plants are met so that the yield can increase.
.Keywords: Fertilizer, subsidy, equity, genetic algorithm.
1. PENDAHULUAN
Pemerataan dalam pembagian pupuk
bersubsidi memiliki beberapa kendala. Berdasarkan survei penulis pemerataan subsidi benih dan pupuk pada kelompok tani Desajenis pupuk dengan komposisi yang sama padahal varietas tanaman yang ditanam petani berbeda- beda sehingga menyebabkan hasil panen yang kurang maksimal selain itu juga jika komposisi pupuk tidak sesuai dengan varietas maka jumlah pupuk di gudang akan kekurangan. Misalkan anggota kelompok tani semua menanam varietas ir-64 dan ciherang dengan komposisi pupuk yang sama maka hasil panen juga berbeda selain itu juga kedua varietas tersebut mempunyai kebutuhan pupuk yang banyak jika semua petani hanya menanam varietas tersebut maka kekurangan pupuk di gudang semakin banyak. Oleh sebab itu pemerataan penyaluran bantuan benih dan pupuk diperlukan agar semua petani dapat menghasilkan panen yang sesuai dengan target pemerintah.
Untuk pemecahan masalah tersebut maka diperlukan perhitungan yang tepat agar petani mendapatkan bantuan sesuai dengan nutrisi yang dibutuhkan secara optimal. Untuk penyelesaian masalah pemerataan bantuan dibutuhkan algoritme yang tepat untuk mendapatkan solusi terbaik. Salah satu algoritme optimasi yang populer dalam menyelesaikan masalah optimasi adalah algoritme genetika. Algoritme Genetika Merupakan teknik pencarian solusi secara stochastic yang prosesnya, pada algoritme genetika tersebut meniru mekanisme seleksi alam dan genetik yaitu mahluk hidup yang terbaik berhasil bertahan hidup (Mahmudy,2013).
2. DASAR TEORI
2.1.Tanaman Pangan
Tanaman pangan adalah segala jenis tanaman yang di dalamnya terdapat karbohidrat dan protein sebagai sumber energi manusia. Tanaman pangan biasanya di sebut dengan tanaman utama yang di konsumsi manusia sebagai makanan untuk memberikan asupan energi bagi tubuh.
2.1.1. Tanaman Padi
Padi (Oryza sativa L) merupakan tanaman pangan yang sangat penting karena dari tanaman padi menghasilkan beras yang digunakan sebagai bahan makanan pokok. Bahan makanan dari beras merupakan makanan pokok bagi sebagaian besar penduduk indonesia yaitu sekitar 90% dari penduduk indonesia menggunakan beras sebagai bahan makanan
pokok (AAK, 2003).
2.1.2. Tanaman Jagung
Jagung (Zea mays ssp. mays) adalah salah satu tanaman pangan penghasil karbohidrat. Jagung memilki beberapa manfaat di bidang kesehatan misalnya mengandung protein,mencegah anemia, menjaga kekebalan tubuh.
2.2. Pupuk Bersubsidi
Melalui Surat Keputusan Menperindag No. 70/MPP/Kep/2/2003 tanggal 11 Pebruari 2003 pasal 1 yang dimaksud pupuk bersubsidi adalah pupuk yang pengadaanya dan penyalurannya mendapat subsidi dari pemerintah untuk kenutuhan petani yang dilaksanakan atas dasar program pemerintah.
2.3. Komposisi Pupuk dan Unsur Hara
Komposisi pupuk pada tanaman jagung dan padi merupakan kebutuhan dan faktor utama yang harus diperhatikan dalam menentukan hasil panen. Hasil panen yang maksimal ditentukan dari komposisi pupuk yang diberikan kepada tanaman tersebut. Komposisi pupuk yang digunakan terdiri dari unsur N, P, dan K. Unsur pupuk N, P, Dan K yang di berikan petani untuk tanaman berfungsi sebagai penyeimbang unsur hara yang kurang dari tanah. Pada tabel 1 kandungan unsur hara pupuk bersubsidi
Tabel 1 kandungan unsur hara pupuk
No Nama
Tabel 2 Batas Maksimal dan Minimal Jumlah
Jenis Pupuk yang digunakan(kg)
Ure
3. ALGORITME GENETIKA
Algoritme genetika (Genetic Algorithms, GAs) merupakan tipe EA yang paling popular. Algoritme genetika berkembang seiring dengan perkembangan teknologi informasi yang sangat pesat. Karena kemampuannya untuk menyelesaikan berbagai masalah kompleks (Mahmudy,2013). Berikut proses algoritma genetika :
1.Representasi Kromosom
Reprsentasi kromosom merupakan suatu proses untuk menyelesaikan masalah, yaitu dengan cara mengkodekan suatu permasalahan kedalam kromosom (Gen & Cheng, 2000).
2. Pembangkitan Populasi
Pembangkitan populasi awal dilakukan secara random dengan range angka tertentu. Populasi itu sendiri terdiri dari sejumlah kromosom yang merepresentasikan solusi yang diinginkan (Wahid & Mahmudy).
4. Reproduksi
Proses reproduksi bertujuan untuk menghasilkan keturunan (offspring) individu yang berasal dari populasi awal dua operator
algoritme genetika, yaitu crossover dan mutasi.
5. Evaluasi
Evaluasi bertujuan untuk mendapatkan generasi yang akan bertahan, yang didapatkan dari perhitungan fitness (Tyas,dkk, 2013). 6. Seleksi
Seleksi digunakan untuk memilih individu yang dapat dipertahankan untuk generasi berikutnya yang berasal dari himpunan populasi dan offspring.
pada penelitian ini menggunakan algoritme genetika untuk optimasi komposisi pupuk sehingga representasi kromosom berbentuk matrik yaitu jenis pupuk dan jenis varietas dinyatakan dalam kolom dan jumlah petani dinyatakan dalam baris. Alur penyelesaian masalah optimasi komposisi pupuk menggunakan algoritma genetika ditunjukkan pada Gambar 1.
3.1. Representasi & Inisialisasi Kromosom
Gambar 2 Representasi Kromosom
Pada gambar 2 dapat dilihat bahwa representasi kromosom berbentuk matrik dengan banyak baris 5 berarti jumlah petani 5, sedangkan pada kolom terdapat 5 kolom berarti terdapat 5 jenis pupuk dan 1 kolom untuk keterangan varietas.
Langkah awal yang dilakukan adalah mengkalikan masing-masing gen kromosom pada gambar 2 di kalikan dengan luas lahan pada gambar 3
Gambar 3 Luas Lahan
Hasil perkalian pada gambar 2 dan gambar 3 terdapat pada gambar 4
Gambar 4 Hasil Perkalian
Setelah parameter algoritme genetika di inisialisasi maka dapat dibentuk individu sesuai dengan populasi yang di tentukan. Pada Gambar 5 merupakan contoh inisialisasi populasi awal.
Tabel 2 Inisialisasi Populasi Awal
indi vidu
Kromosom
P1 226 105 218 441 212 Membra
mo
285 86 229 385 407 Ciheran
g
361 54 299 306 449 Ciheran
g
277 103 280 455 313 Ir-64
indi vidu
Kromosom
331 87 365 359 443 Ciheran
g
P2 341 132 154 487 251 Membra
mo
328 94 302 374 251 membra
mo
307 75 338 275 453 Ciheran
g
319 110 275 389 352 Ir-64
293 71 384 218 415 Ciheran
g
P3 399 54 310 368 417 Ciheran
g
263 78 283 249 497 Ciheran
g
297 104 249 450 332 Ir-6-64
369 71 287 207 500 ciherang
282 92 292 266 497 ciherang
3.2.Reproduksi
Setelah individu induk diinisialisasikan maka dilakukan reproduksi, dimana reproduksi dilakukan dengan dua metode crossover (one-cut point) dan mutasi (reciprocal exchange mutation). Hasil dari proses crossover dan mutasi terdapat pada gambar 5 dan 6
Gambar 5 offspringcrossover
Gambar 6 offspring mutasi
3.3.Evaluasi
persamaan 1 berikut langkah menghitung fitness:
𝑀𝑎𝑝𝑒 =𝑛1∑(|𝑃𝐸𝑡| (1)
𝑃𝐸𝑡 = (𝑋𝑡−𝐹𝑡𝑋𝑡 ) × 100% (2)
Keterangan :
- Pet : persentase error - N : Jumlah jenis pupuk - Xi : Jumlah pupuk digudang - Ft : Jumlah pupuk pada kromosom
masalah minimasi maka nilai fitness untuk tiap individu adalah sebagai berikut ini:
𝐹 =1000𝑓(𝑥) (3) Keterangan :
-F = nilai fitness
-𝑓(𝑥) = nilai mape yang di cari dari persamaan 1 dan 2
Pada Gambar 7 merupakan nilai fitness yang dimilki masing-masing individu.
Gambar 7 offspring mutasi
3.4.Seleksi
Proses seleksi digunakan untuk memilih individu yang layak dipertahankan untuk generasi berikutnya berdasarkan nilai fitness yang dimiliki individu. Jumlah individu yang terpilih sesuai dengan jumlah populasi yang telah di inisialisasi. Teknik seleksi yang digunakan pada penelitian ini adalah elitism selection.
Gambar 8 hasil seleksi elitism
4. PENGUJIAN
4.1 Pengujian Jumlah Populasi
Pengujian ukuran populasi ini dilakukan
pada kelipatan dua puluh, dimulai dari
ukuran populasi 20 sampi 200. Pengujian
pada setiap ukuran populasi dilakukan
sebanyak sepuluh kali percobaan. Banyak
generasi yang digunakan pada pengujian
populasi ini adalah 100 generasi dengan
membandingan
hasil
populasi
paling
optimal yang didapatkan dari setiap nilai
generasi yang berbeda dan kombinasi nilai
cr dan mr yang digunakan adalah 0,9 dan
0,1.
Gambar 9 Hasil Pengujian Ukuran Populasi Tanaman Padi
Gambar 10 Hasil Pengujian Ukuran Populasi Tanaman Jagung
populasi 320. Penggunaan ukuran populasi yang terlalu banyak akan menambah waktu komputasi namun nilai rata-rata fitness tetap (konvergen) dari nilai rata-rata fitness sebelumnya (Khuluqi, dkk, 2016).
4.2 Pengujian Jumlah Generasi
Pengujian ini dilakukan pada banyak generasi awal adalah 50 generasi dan dilanjutkan dengan kelipatan 150 sehingga mencapai nilai generasi 1400. Pengujian pada masing masing generasi dilakukan sebanyak sepuluh kali. Ukuran populasi yang digunakan adalah 220 pada tanaman padi dan 320 pada tanaman jagung, nilai mr adalah 0,9 dan nilai cr adalah 0,1.
Gambar 11 Hasil Pengujian Banyak Generasi Tanaman Padi
Gambar 12 Hasil Pengujian Banyak Generasi Tanaman Jagung
Pada gambar 11 yaitu tanaman padi nilai rata rata fitness tertinggi diperoleh pada generasi 1100 dengan nilai sebesar 91,2097. Sedangkan pada gambar 12 tanaman jagung nilai rata rata fitness tertinggi diperoleh pada generasi 1250 dengan nilai sebesar 34,3423. Pada pengujian generasi disimpulkan bahwa jumlah generasi terlalu sedikit maka area pencarian algoritma
semakin sempit sehingga menghasilkan nilai solusi yang kurang optimal, tetapi jika banyak generasi semakin besar waktu komputasi semakin lama dan belum tentu menghasilkan solusi yang lebih optimal dibandingkan dengan generasi yang bernilai sedikit (Khuluqi, dkk,
2016).
4.3 Pengujian Kombinasi Cr dan Mr
Kombinasi nilai cr dan mr jika dijumlahkan harus menghasilkan 1 sehingga populasi yang dihasilkan tetap stabil. Kombinasi nilai cr dan mr yang diuji adalah kelipatan 0,1 mulai dari 0 sampai 1. Percobaan dilakukan sebanyak 10 kali pada setiap kombinasi. Ukuran populasi yang digunakan pada pengujian ini adalah sebanyak 220 populasi dan banyak generasi yang digunakan adalah sebanyak 1100 generasi.
Gambar 13 Hasil Pengujian Kombinasi nilai cr dan mr pada tanaman padi
Gambar 14 Hasil Pengujian Kombinasi nilai cr dan mr pada tanaman Jagung
dengan induknya sehingga algoritme genetika tidak bisa memperlebar area pencarian. Hal sebaliknya jika nilai mr lebih tinggi dari cr algoritme genetika dapat memperlebar area pencarian dan keragaman populasi yang tinggi. Sedangkan nilai cr yang rendah menyebabkan algoritme genetika tidak bisa belajar dari generasi sebelumnya sehingga area pencarian tidak bisa dimanfaatkan secara efektif (Mahmudy,2014).
4.4 Analisis Pengujian Hasil
Pada pengujian hasil komposisi pupuk ini adalah membandingkan hasil komposisi pupuk yang digunakan oleh petani dan hasil komposisi pupuk yang di dapatkan menggunakan algoritme genetika. Pada tanaman padi menggunakan parameter algoritme genetika nilai populasi sebanyak 220 populasi, jumlah generasi 1100, nilai kombinaasi cr 0,8 dan nilai mr 0,2 sedangkan pada tanaman jagung parameter algoritme genetika nilai populasi sebanyak 320 populasi, jumlah generasi 1250 dan nilai kombinasi cr 0,8 dan mr 0,2.
.
Gambar 15 Pengujian Hasil Pada Tanaman Padi
Gambar 16 Pengujian Hasil Pada Tanaman Jagung
Berikut merupakan proses perhitungan yang dilakukan untuk melakukan pengujian hasil yaitu:
1. Persentase Selisih Hasil Pupuk Pada Tanaman Padi
Berdasarkan subsidi pupuk yang diberikan pemerintah, didapatkan hasil selisih komposisi
menggunakan algoritme genetika. Jumlah selisih pupuk terdapat pada gambar 16, proses selanjutnya adalah menghitung persentase selisih komposisi pupuk yang di proses menggunakan algoritme genetika, dengan menggunakan rumus pada persamaan 4, 5, dan 6
𝑠𝑒𝑙𝑖𝑠𝑖ℎ𝑝𝑢𝑝𝑢𝑘 = 𝑎𝑏𝑠(∑𝑝𝑢𝑝𝑢𝑘𝑔𝑢𝑑𝑎𝑛𝑔 −
∑𝑝𝑢𝑝𝑢𝑘𝑎𝑙𝑔𝑒𝑛) (4)
𝑝𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒𝑠𝑒𝑙𝑖𝑠𝑖ℎ𝑝𝑢𝑝𝑢𝑘 =∑ 𝑗𝑢𝑚𝑙𝑎ℎ𝑝𝑢𝑝𝑢𝑔𝑢𝑑𝑎𝑛𝑔𝑠𝑒𝑙𝑖𝑠𝑖ℎ𝑝𝑢𝑝𝑢𝑘 × 100 = … % (5) 𝑎𝑣𝑒𝑟𝑎𝑔𝑒𝑝𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 =𝑏𝑎𝑛𝑦𝑎𝑘𝑗𝑒𝑛𝑖𝑠𝑝𝑢𝑝𝑢𝑘∑ 𝑝𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 (6)
Keterangan :
Selisih pupuk = banyak selisih pupuk di gudang dan algoritme genetika
Pupukgudang = jumlah pupuk yang berada pada gudang
Pupukalgen = pupuk yang diproses menggunkan algoritme genetika
Persentaseselisihpupuk = persentase jumlah selisih pupuk yang ada pada gudang dan algoritme genetika
berikut ini persentase selisih pupuk pada gambar 14
Gambar 17 Pengujian Hasil Pada Tanaman padi
Gambar 18 Rata-Rata Jumlah Persentase Selisih Pupuk Tanaman Padi
Pada gambar 19 menunjukkan bahwa persentase jumlah rata-rata selisih pupuk yang dihasilkan dari data petani dan algoritme genetika maka dapat disimpulkan bahwa solusi yang dihasilkan algoritme genetika lebih baik jika dibandingkan dengan petani
2. Persentase Selisih Hasil Pupuk Pada Tanaman Jagung
Berdasarkan subsidi pupuk yang diberikan pemerintah, didapatkan hasil selisih komposisi pupuk pada petani dan komposisi pupuk menggunakan algoritme genetika. Jumlah selisih pupuk terdapat pada gambar 17, proses selanjutnya adalah menghitung persentase di proses menggunakan algoritme genetika, dengan menggunakan rumus pada persamaan 4, 5, dan 6
Gambar 19 Pengujian Hasil Pada Tanaman Jagung
Setelah menghitung persentase jumlah selisih pupuk langkah selanjutnya adalah menghitung rata-rata selisih pupuk berikut ini jumlah rata-rata persentase selisih pupuk pada gambar 20
Gambar 20 Rata-Rata Jumlah Persentase Selisih Pupuk Tanaman Jagung
Pada gambar 20 menunjukkan bahwa persentase jumlah rata-rata selisih pupuk yang dihasilkan dari data petani dan algoritme genetika maka dapat disimpulkan bahwa solusi yang dihasilkan
algoritme genetika lebih baik jika dibandingkan dengan petani
5. KESIMPULAN
Berdasarkan hasil pengujian maka didapatkan kesimpulan sebagai berikut:
1. Pemanfaatan algoritme genetika dalam penelitian ini menggunakan representasi kromosom berbentuk matrik m×n dimana kolom merepresentasikan jenis pupuk, varietas dan baris merepresentasikan jumlah petani yang mendapatkan bantuan. Perhitungan nilai fitness pada penelitian ini adalah menghitung seberapa banyak selisih jumlah pupuk yang didapatkan bantuan yang diberikan pemerintah dengan jumlah pupuk yang didapatkan melalui proses algoritme genetika. Teknik reproduksi yang digunakan adalah one cut point crossover dan reciprocal exchange mutation. Proses seleksi individu dilakukan menggunakan teknik elitism
2.
U
kuran parameter algoritme genetika sangat berpengaruh pada hasil nilai fitness yang dihasilkan. Hal itu berarti ukuran parameter algoritme genetika mempengaruhi nilai fitness atau solusi yang dihasilkan. Dapat disimpulkan bahwa hasil dari ukuran populasi, banyak generasi nilai fitness yang dihasilkan semakin tinggi nilai fitness semakin besar tetapi jika nilai fitness sudah mencapai nilai maksimal maka, nilai fitness yang dihasilkan pada populasi dan generasi selanjutnya akan menurun. Ukuran parameter pada tanaman padi adalah ukuran populasi sebanyak 220 populasi, 1100 generasi, nilai kombinasi crossover rate 0,8 dan mutation rate 0,2. sedangkan pada tanaman jagung diperoleh ukuran populasi 320 populasi, 1250 generasi, nilai kombinasi crossover rate 0,8 dan mutation rate 0,2. 3. Perbandingan hasil rata-rata selisihmasing-masing varietas sehingga hasil panen yang diperoleh petani dapat lebih maksimal.
6. DAFTAR PUSTAKA
Annissa,R., & Mahmudy, W,F.,(2015). Optimasi Komposisi Pupuk Tanaman Padi Menggunakan Algoritma Genetika. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawaijaya, vol.7, no.16
Cutello, V., Nicosia, G., & Pavone, M. (2006). Real coded clonal selection algorithm for unconstrained global optimization using a hybrid inversely proportional hypermutation operator. Paper presented at the Proceedings of the 2006 ACM symposium on Applied computing.
Gen, M., & Cheng, R. (2000). Genetic Algoritms and Engineering Optimization. New York:Willey. Irianto, S, G.,2010. Kata pengantar pada Badan
Penelitian dan Pengembangan Pertanian 2010. Kementerian Pertanian.
Keputusan Menteri Pertanian Nomor 511/Kpts/PD.310/9/2006 tentang “jenis komoditi tanaman binaan direktorat jenderal perkebunan, direktorat jenderal tanaman pangan, dan direktorat jenderal hortikultura”.
Khuluqi, M, A., Mahmudy, W,F., Rahmi, Asyrofa.,2016., Profit Optimization Based On Total Production In Textile Home Industry Using Evolution Strategies Algorithms. Fakultas Ilmu Komputer. Universitas Brawijaya.
Mahmudy, W, F., 2014. Optimisation of integrated multi-period production planning and scheduling problems in flexiable manufacturing systems (FMSs) using hybrid genetic algorithms. Tesis, University of South Australia.
Mahmudy, W,F., 2015, Dasar-dasar Algoritma Evolusi. Program Teknologi Informasi dan Ilmu Komputer (PTIIK). Universitas Brawijaya Malang.
Munawar,D.,2013. Memahami Pengertian dan Kebijakan Subsidi dalam APBN. Widyaiswara Utama BDK Cimahi.
Peraturan menteri pertanian, 2007. Nomor 40/permentan/OT.140/04/2007.
Rekomendasi pemupukan N,P,K.
Peraturan Menteri Pertanian No. 06/Permentan/SR.130/ 2/2011 tentang “Kebutuhan dan Harga Eceran Tertinggi (HET) Pupuk Bersubsidi untuk Sektor Pertanian Tahun Anggaran 2011”.
Peraturan Pemerintah No. 8 Tahun 2001 tentang “Pupuk Budidaya Tanaman”.
Pertanian (Permentan) No.
02/Pert/HK.060/2/2006 tentang “definisi pupuk organik.
(PP No. 77 Tahun 2005 tentang “Penetapan PupukBersubsidi sebagai Barang Dalam Pengawasan".
Ryan., I., Agus, W. W., & Wayan, F.M., 2017. Pemanfaatan Algoritma Genetika Untuk Kasus Optimasi 0/1 Multi-Dimensional Knapsack Problem Dalam Pendistribusian produk (Studi Kasus UD. TOSA)t. DORO:Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 1, no. 4. Roidah,I.,2013. Manfaat pupuk organik bagi kesuburan tanah. Dosen fakultas pertanian. Universitas Tulungagung. Sirait,M,R., 2008. “Analisis Pemasaran Pupuk
Bersubsidi (Urea, ZA, SP-36, NPK Phonska) di Kabupaten Simalungun”. Skripsi. Fakultas Pertanian Universitas Negeri Sumatera Utara.
Sunjayaputra.,2012. Pengaruh pupuk N,P,K tunggal,majemuk, dan pupuk daun terhadap peningkatan produksi padi gogo varietas situ patengang. Universitas Udayana Bali.
Sulistyorini, R., & Mahmudy, W,F.,(2015). Penerapan Algoritma Genetika untuk Permasalahan Optimasi Distribusi Barang Dua Tahap. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawaijaya, vol.5, no.1
Suprihatno,B., Daradjat,A.,
Satoto.,Baehaki.,Suprihanto.,Setyono,A., Indrasari,S., Wardana,I.,
Sembiring,H.,2010. Deskripsi varietas padi. Balai Besar.
Suryana,A., Agustian,A., Yofa,D,R.,2016. Alternatif kebijakan penyaluran subsidi pupuk bagi petani pangan. Pusat Sosial Ekonomi dan Kebijakan Pertanian. Susila,R,M,2009. Kebijakan Subsidi Pupuk :
Tyas, R. A., Rahman, M. A., & Dewi, C. 2013.Implementasi Algoritma Genetika Untuk Optimasi 0/1 Multi-Dimensional Knapsack Problem Dalam enentuan Menu Makanan Sehat. DORO:Repository Jurnal Mahasiswa PTIIK
Universitas Brawijaya, vol. 1, no. 4. Wahid, N., Mahmudy, W,F.,(2015). Optimasi