Fakultas iIlmu iKomputer
Universitas iBrawijaya i
8161
Optimasi Komposisi Pakan Ternak Sapi Menggunakan Algoritme
Genetika - Simulated Annealing
AkhmadSyururi1,NurulHidayat2,RatihKartikaDewi3
ProgramStudi iTeknikInformatika,Fakultas iIlmu iKomputer, iUniversitas iBrawijaya
Email:1blue.speed3181@gmail.com,2ntayadih@ub.ac.id,3ratihkartikad@ub.ac.id
Abstrak
KonsumsidagingsapidiIndonesiaterus mengalamipeningkatan,namunpeningkatantersebut ibelum
diimbangidengan ipenambahanproduksiyangmemadai.Lajupeningkatanpopulasisapi ipotongrelatif
lamban,yaitu4,23%pada itahun2007.Produktivitasternak idipengaruhiolehfaktorpakan,manajemen
dan pembibitan. iPermasalahan iyang isering idihadapi ipeternak iadalah iketersediaan ipakan, iyang imana ipakan iyang idiberikan ipada iternak imemiliki ikandungan inutrisi iyang irendah isehingga iakan imempengaruhi ikecernaan ipakan idan iketersediaan inutrisi iyang iberdampak ipada irendahnya iproduktivitas iternak. iBerdasarkan ikasus iyang iterjadi, imaka isistem iyang idibangun ipada ipenelitian iini iadalah i“optimasi ikomposisi ipakan iternak isapi imenggunakan ialgoritme igenetikaa i- simulated
annealing”. iMetode iyang idigunakan idalam ioptimasi ikomposisi ipakan iternak isapi ipada isistem iini imenggunakan ialgoritme igenetikaa i-simulatedannealing. iTujuan ipenggabunganalgoritmegenetikaa i-simulatedannealing i(SA)adalah iuntuk imemanfaatkan ikelebihansimulatedannealing iyang imampu ibertahan imenghadapi ilokal ioptimum idan iproses ipencarian iyang idikendalikan ioleh isuhu iuntuk idigunakan idalam imenutupi ikekurangan ialgoritme igenetika itersebut. iHasil iDari ipengujian iyang itelah idilakukan iternyata isemakin ikecil inilai ipopsize idan iiterasi, isemakin ibesar inilai itn idan it0 imaka isemakin ibesar ikemungkinan ialgoritme igenetikaa i- isimulated iannealing iuntuk imendapatkan ihasil iyang ilebih ibaik idaripada ialgoritme igenetika isaja, isebaliknya isemakin ibesar inilai ipopsize idan iiterasi, isemakin ikecil inilaitn idan it0 imaka isemakin ikecil ipula ikemungkinanalgoritmegenetikaa i
-simulated iannealing iuntuk imendapatkan ihasil iyang ilebih ibaik.
Kata ikunci: i
optimasi,
algoritme
genetika,
simulated
annealing
Abstract
Beef iconsumption iinIndonesia ikeepsincreasing, ibut ithe iincrease ihas inot ibeen ibalanced iwith ithe iaddition iof ian iadequate iproduction. iThe irate iof ipopulation iincrease ibeef icattle iis irelatively islow, i4.23% iin i2007. iThe iproductivity iof ithe ilivestock iaffected iby ithe ifeed ifactors, imanagement iand ibreeding.The iproblem ioften iencountered ibreeders iis ithe iavailability iof ifeed, iwhich ifeed igiven ito ilivestock icontain inutrientsthat iare ilow iso iwill iaffect ithe iavailability iof ifeed iand idigestibility iof inutrients ithat iimpact ilow iprodukt iivitas icattle. iBased ion icases ioccurs, ithen ithe isystem iis ibuilt ion ithis iresearch iis i"beef icattle ifeed icompositionoptimization iusing igenetic ialgorithm iand isimulated iannealing". iMethods iused iin ibeef icattle ifeed icomposition ioptimization ion ithis isystem iusing ia igenetic ialgorithm iand isimulated iannealing. iThe ipurpose iof imerging ialgorithm iand igenetic isimulated iannealing i(SA) iis ito imake iuse iof ithe iadvantages iofsimulated iannealing ithat iare iable ito isurvive iare ifacing ilocal ioptimum iand ithe isearch iprocess iwhich iis icontrolled iby ithe itemperature ito ibe iused iin icover ilack iof igenetic ialgorithms. iThe iresults iof ithe itesting ithat ihas ibeen idone iprogressively ismaller ivalues ipopsize iand iiterations, ithe igreater ithe ivalue iof itn iand it0 ithen ithe imore ilikely genetic algorithm and simulated annealing to get ibetter iresults ithan ithe ialgorithm iGenetics ialone, iotherwise ithe ilarger ivalue iof ipopsize iand iiterations, ithe ismaller ivalue iof itn iand it0 ithe ismall possibilityofgeneticalgorithm iandsimulated annealing iforgetting better iresults.
,
geneticalgorithm,
simulated iannealing1. PENDAHULUAN
Konsumsi daging sapi di iIndonesia iterus imengalami peningkatan. iNamun ipeningkatan itersebut ibelum idiimbangi idengan ipenambahan produksi yang imemadai. iLaju ipeningkatan ipopulasi sapi potong relatif ilamban, iyaitu i4,23% ipada itahun i2007 i(Direktorat iJenderal iPeternakan i2007). i
Produktivitas ternak dipengaruhi oleh
ifaktor ipakan, manajemen dan pembibitan. iPermasalahan iyang isering idihadapi ipeternak iadalah iketersediaan ipakan, iyang imana ipakan
yangdiberikan ipadaternakmemilikikandungan
nutrisi iyang rendah. Sebagai icontoh adalah ilimbah ihasil isamping ipertanian, industri ipertanian idan ipangan. iLimbah pertanian iberasal idari ilimbah itanaman ipangan seperti ijerami ijagung, ijerami ipadi idan ilain-lain. iKandungan inutrisi iyang irendah iakan
mempengaruhi kecernaan pakan idan igenetika, ihal iitu idikarenakan ialgoritme igenetika imemiliki ikelebihan idalam imenghasilkan ioutput iyang ioptimal idengan i2008). iSalah isatu ipenelitian iyang imenggunakan ialgortitma igenetika idan isimulated iannealing iyaitu ipenelitian iyang idilakukan ioleh iFitri iAnggarsari idengan ijudul ioptimasi ikebutuhan igizi iuntuk ibalita imenggunakan ihybrid ialgoritme igenetikaa i -isimulated iannealing, idari ipenelitian itersebut idihasilkan ikesimpulan ibahwa ialgoritme igenetikaa i- isimulated iannealing idapat idigunakan iuntuk imenentukan ikomposisi imakanan iyang isesuai iuntuk ikebutuhan igizi ibalita.
Berdasarkan ikasus idan ipenelitian iterakhir iyang itelah idijelaskan isebelumnya, imaka ipada ipenelitian iini iproses ioptimasi imenggunakan imetode ialgoritme igenetikaa i- isimulated iannealing isehingga isistem iyang idibangun
ipada ipenelitian iini iadalah i“Optimasi ikomposisi ipakan iternak isapi imenggunakan ialgoritme igenetikaa i- isimulated iannealing”. iSistem imenyediakan imasukan iberupa idata itentang ijenis isapi, ikebutuhan igizi, idan idaftar imakanan iyang ikemudian iakan idiproses idengan ialgoritme igenetikaa i- isimulated iannealing ihingga imenghasilkan ikeluaran iberupa ikomposisi imakanan idengan igizi iterbaik idan iharga iterendah.
2. ALGORITME iGENETIKA
Algoritme genetika adalah salah isatu
algoritme idengan iteknik pencarian iheuristik
berdasarkan imekanisme evolusibiologis. iPada iumumnya, ialgoritme igenetika idigunakan iuntuk ipemecahan imasalah iyang ikompleks i(Hartati, i2011).
3. SIMULATED iANNEALING
Simulated annealing adalah algoritme optimasi yang mempunyai sifat generik. Dengan berbasis mekanika statistic dan probabilitas, algoritme ini mempunyai kelebihan dalam pencarian pendekatan suatu permasalahan dengan solusi optimum global dan melalui proses annealing (pendinginan).
iPada iumumnya, suatu masalah yang imembutuhkan ialgoritme isimulated iannealing iadalah optimasi kombinatorial, iseperti halnya itidak imemungkinkan isolusi ioptimum iuntuk isebuah permasalahan dalam iruang ipencarian isolusi yang ibegitu kompleks i(Mahmudy, i2014).
4. iPERHITUNGAN iKEBUTUHAN iRANSUM
Tahap pertama adalahpenyusunan ransum hal penting yang perlu dipenuhi dalam proses penyusunan ransum adalah kandungan nutrisi yang harus terkandung didalam pakan tersebut.
Untukmemenuhikebutuhannutrisi iransum iseperti iyang idijelaskan isebelumnya, iadapun iinformasi ipada iTabel i1 dapat imembantu idalam penyusunan ransum idan ipada iTabel i2
Tabel i1. iKebutuhan iNutrisi
Tabel i2. iKomposisi iBahan iPakan
Tabel i3. iJumlah iPakan iBerbobot
Saat penyusunan ransum untuk proses menggemukkan sapi dibagi dua iyaitu ipakan itambahan i(konsentrat) idan ipakan ihijauan.
Masing-masing bagiantersebut imemiliki irasio isekitar i40:60. iPengukuruan iini iberdasarkan
kemampuan sapi dalam imengkonsumsijumlah
pakan iberdasarkan ibobot sapi itersebut. iHal
yangdapat idilihat ipada iTabel i3.
5. iSiklus iAlgoritme iGenetika
Pada itahap ikedua iadalah menyelesaikan
idigunakan imeliputi:populationsize,crossover
rate idanmutationrate i(nilai iyang imenyatakan irasio ioffspring iyang idihasilkan idari iproses imutasi iterhadap iukuran ipopulasi isehingga iakan idihasilkan ioffspring.)
Gambar i1. iFlowchart iAlgoritme iGenetika
Tabel i4. iNilai iFitness
Parent
Kromosom Fitness
R.Kering Gaplek Tetes D.Halusi Padi
menghitung inilai ifitness. iMaka ididapatkan inilai ifitness iuntuk isetiap iindividu iyang idapat idilihat ipada iTabel i4.
Tahap iinisialisasi iadalah itahap iuntuk imembangkitkan ipopulasi iawal isebanyak ijumlah ipopulasi iyang isudah iditentukan isebelumnya. Popsize bertujuan iuntuk imenyatakan ijumlah iindividu iyang imampu
iditampung idalam i1 ipopulasi. iCrossover irate idan imutation irate iberfungsi isebagai ipenghasil ioffspring i(child) isebagai iperbandingan iuntuk imencari inilai ifitness iterbaik. iTahap iini ijuga imenentukan ipanjang isetiap ikromosom idengan imembangkitkan ibilangan iacak iantara i1-10. i
Proses iselanjutnya iadalah iproses ireproduksi idimana ididalam iproses iini iterdapat i2 iproses iyaitu icrossover idan iproses imutasi. iProses icrossover idilakukan idengan imetode iextended iintermediate icrossover isedangkan iproses imutasi imenggunakan imetode irandom imutation.
Metode crossover yang digunakan dalam perhitungan ini yaitu extended intermediate..
iProses crossover akan menghasilkan ioffspring idari ihasil kombinasi nilai idua iinduk iyang iterpilih isecara iacak.
Proses crossover ditunjukkan pada iTabel i5. iContoh iperhitungan iproses icrossover idengan iinduk iyang iterpilih iadalah iP1 idan iP2
Metode mutasiyangdigunakanpadakasus
R.Ker
Seleksi idilakukan iuntuk imemilih iindividu idan offspring yang berada dalam himpunan ipopulasi untuk dipertahankan ihidup ipada igenerasi iberikutnya. iMetode iseleksi iyang idigunakan adalah elitism, imetode iseleksi iini ibekerja dengan menggabungkan isemua iindividudalampopulasi i(parent) idan ioffspring idalam isatu penampungan. iSeleksi ielitism idilakukandengan imemilihfitnesspaling itinggi, isejumlah dengan jumlah populasi iawal. iIndividu iyang imempunyai inilai ifitness itinggi iakan iterpilih imenjadipopulasi ibaru idigenerasi iselanjutnya.
6. iSimulated iannealing
Pada tahap ketiga ini akan menjelaskan terkait proses penyelesaian permasalahan menggunakan Simulated annealing. iProses ialgoritme simulated annealing dijalankan isetelah proses seleksi ipada algoritme genetika iselesai dilakukan. Kromosom yang itelah imelalui iseleksi ipada algoritme genetika idengan inilai fitness itertinggi digunakan isebagai iinisialisasi isolusi iawal ipada ialgoritme isimulated iannealing. ilangkah-langkah ipenyelesaian ialgoritme isimulated iannealing isebagai iberikut.
Proses iSimulated iannealing iakan idimulai iketika iproses ialgoritme igenetika
Dari inisialisasi parameter Simulated annealing Kemudian akan dilakukan proses inisialisasi individu awal yang diambil dari individu terbaik iyang idihasilkan ioleh iproses ialgoritme igenetika. Dari hasil seleksi iyang idilakukan diperoleh iP6 isebagai individu iterbaik. iSelanjutnya iakan idipilih isalah satu igen idari iP6 iuntuk idiubah inilainya isecara irandom iyang iakan imenghasilkan ioffspring ibaru. iProses ineighborhood iyang idilakukan idari iindividu iP6 idapat idilihat ipada iTabel i8.
Tabel i8. iNeighboorhood
ijika i∆E ikurang idari i0 imaka iproses iakan imasuk ike iperhitungan iboltzmann.
∆E i= if(C4)f(P6)
∆E i= i0,34492 i- i0.35115 ∆E i= i-0,00623
Proses iini iterjadi iapabila i∆E ibernilai ikurang idari i0, imaka iproses iakan idilanjutkan idengan imelakukan iproses iperbandingan iantara iprobabilitas iboltzmann idengan iangka irandom. iJika iprobabilitas iboltzman ibernilai ikurang idari inilai irandom imaka iakan imasuk ike iproses iperhitungan itemperatur ibaru, ijika itemperatur ibaru ilebih idari iatau isama idengan itemperatur iakhir i(Tn) imaka iproses iakan ikembali ike iproses ineighborhood itetapi ijika iprobabilitas iboltzmaan ibernilai ilebih idari inilai irandom imaka ioffspring idianggap isebagai iindividu iterbaik idan iproses iberhenti.
Probabilitas iboltzmann i= iexp i (-(-∆E)/T0) i
= iexp i(-(-0,00623)/0,1) i= i1,06428
Nilai irandom i= i0,8 i
Temperatur iT0 i= iα i* iT0
Karena iprobabilitas iboltzmaan ilebih idari iNilai irandom imaka iindividu i(C4) idianggap isebagai iindividu iterbaik.
7. PENGUJIAN
Pengujian idilakukan iuntuk imengetahui iapakah ifitness iyang idihasilkan iakan ilebih ibaik isetelah ialgoritme igenetika dioptimasi idengan Algoritme genetika - Simulated
annealing iataukah ifitness iyang idihasilkan ijustru ilebih iburuk. Oleh karena ituparameter iyang digunakan untuk mendapatkan ifitness ialgoritme genetika i- fitness Algoritme iGenetika iyang idioptimasi menggunakan isimulated iannealing iakan iselalu idiset idengan inilai iyang isama isehinggan ibisa idibandingkan ihasil ifitness idari ikeduanya. iPengujian iini idilakukan idengan imasukan isebagai iberikut.
Jenis isapi ipotong i i: iSapi iJantan
Berat ibedan i i: i300 ikg
Penambahan ibobot iberat ibadan
perhari i I : i0,75 ikg
Jenis ibahan ipakan iyang diinputkan idalam isetiap prosespengujian adalah irendeng ikering, idedak ihalus ipadi, idedak ijagung idan idedak igandum. iParameter isebagai iberikut.
Crossover irate i= i0,2
Mutation irate i= i0,2 i
Random icross iover i= i0,1-0,9
Random imutation i= i0,1-0,9, iT0 i= i0,9
Tn i= i0,1
Alpha i= i0,9
Pada ipengujian ini parameter yang imenjadi ipembeda adalah ijumlah populasi, ijumlah ipopulasi iakan idi iset idengan inilai i10, i20, i30, i40 idan i50, isedangkan iuntuk isetiap ijumlah ipopulasi iakan idilakukan ipengujian idengan iset iiterasi isebanyak i1-10, iuntuk isetiap ijumlah iiterasi iakan idilakukan ipengujian i10 ikali. ikemudian idiambil inilai irata-rata inya.
8. iPengujian iDengan iPopsize i10
Pengujian iyang ipertama ipopsize idi iset idengan inilai i10 idaniterasi idi iset idengannilai i1-10 idimana isetiap ijumlah iiterasi akan idilakukan ipengujian i10 ikalikemudian idiambil inilai rata-rata inya, imisal untuk iiterasi i= i1 idilakukan ipengujian isebanyak i10 ikali ikemudian idiambil irata-rata inilai ifitness inya, isetelah iitu idilakukan ipengujian iuntuk iiterasi i= i2 idilakukan ipengujian isebanyak i10 ikali ikemudian idiambil irata-rata nilai ifitness inya idan iseterusnya ihingga iiterasi i= i10. iHasil iPengujian iditunjukkan ioleh Tabel i9, iTabel i10, iTabel i11 idan iGambar i2.
Tabel i9. iPengujian iAlgoritme iGenetika
Tabel i10. iPengujian iSimulated iannealing
Tabel i11. iRata-rata iFitness iGA idan iSA
Iterasi Rata-RataiFitness i GA
Rata-Rata
iFitness i GA-SA
5 0,2961 0,3260 6 0,2923 0,3172 7 0,3246 0,3185 8 0,3152 0,3171 9 0,3177 0,3189 10 0,3201 0,3223
Gambar i2. iRata-rata iGrafik iFitness iGA idan iSA
Bisa idiambil ikesimpulan ibahwa iuntuk ijumlah ipopulasi i= i10. ialgoritme igenetika idengan isimulated iannealing iselalu imenghasilkan ioptimasi iyang ilebih ibaik idaripada ialgoritme igenetika isaja, iselain iitu ikeduanya imemiliki ifitness iyang icukup itinggi iyang iberarti idengan ipopsize i10 ikeduanya imenghasilkan ikombinasi ipakan idengan iharga iyang imurah idan inutrisi iyang ibaik idalam iartian inutrisi imelebihi ikebutuhan isapi.
genetika isaja, iselain iitu ikeduanya imemiliki ifitness iyang icukup itinggi iyang iberarti idengan ipopsize i30 ikeduanya imenghasilkan ikombinasi ipakan idengan iharga iyang imurah idan inutrisi iyang ibaik idalam iartian nutrisi melebihi ikebutuhan isapi.
9. iPengujian iDengan iPopsize i50
Pengujian iyang ipertama ipopsize idi iset idengan inilai i50 idan iiterasi idi iset idengan inilai i1-10. isetiap ijumlah iiterasi iakan idilakukan ipengujian i10 ikali ikemudian idiambil inilai irata-rata inya, imisal iuntuk iiterasi i= i1 idilakukan ipengujian isebanyak i10 ikali ikemudian idiambil irata-rata inilai ifitnessnya, isetelah iitu idilakukan ipengujian iuntuk iiterasi i= i2 idilakukan ipengujian isebanyak i10 ikali ikemudian idiambil irata-rata inilai ifitnessnya idan iseterusnya ihingga iiterasi i= i10. iHasil iPengujian iditunjukkan ioleh iTabel i12, iTabel i13, iTabel i14 idan iGambar i3.
Tabel i12. iPengujian iAlgoritme iGenetika
Tabel i13. iPengujian iSimulated iannealing
Tabel i14. iRata-rata iFitness iGA idan iSA
Iterasi Rata-RataiFitness i GA
Rata-Rata
iFitness i GA-SA
1 0,3240 0,3248 2 0,3254 0,3277 3 0,3277 0,3294 4 0,3255 0,3306 5 0,3274 0,3334 6 0,3051 0,3177 7 0,3251 0,3295 8 0,2999 0,3286 9 0,3180 0,3314 10 0,3177 0,3357
Bisa idiambil ikesimpulan ibahwa iuntuk ijumlah ipopulasi i= i30. iAlgoritme iGenetika idengan
Simulated annealingsebagian ibesar
menghasilkan optimasi iyang ilebih iburuk idaripada ialgoritme igenetika isaja, iselain iitu ikeduanya imemiliki ifitness iyang icukup itinggi iyang iberarti idengan ipopsize i50 ikeduanya
menghasilkan ikombinasi ipakan idengan iharga iyang imurah idan inutrisi iyang ibaik idalam iartian inutrisi imelebihi ikebutuhan isapi.
0,2700 0,2800 0,2900 0,3000 0,3100 0,3200 0,3300 0,3400
1 2 3 4 ITERASI5 6 7 8 9 1 0
Gambar i3. iRata-rata iGrafik iFitness iGA idan iSA
10. KESIMPULAN
Sebagaimanadarihasilperancangan
isistem, iimplementasi isistemdanpengujian iserta ianalisis isistem iyang itelah idilaksanakan ipada itahapan isebelumnya,sehinggadapat iditarik ikesimpulan isebagai iberikut:
-
Algoritme
genetikaa
i-
simulated
iannealing
dapat
diterapkan
pada
ipermasalah
ioptimasi
ipakan
untuk
ipenggemukkan
isapi
ipotong
dengan
imenggunakan
representasi
kromosom
isecara
real
code
,
imetode
iextended
iintermediate
,
menggunakan
irandom
imutation
iserta
ipenyeleksian
idengan
imetode
ielitism
iselection
.
-
Algoritme
igenetika
isebenarnya
isudah
imenghasilkan
output
yang
baik
yaitu
ikomposisi
pakan
dengan
nutrisi
yang
baik
dan
harga
yang
rendah,
itetapi
iternyata
idengan
iditambahkan
it0
imaka
semakin
besar
kemungkinan
ialgoritme
genetikaa
i-
simulated
iannealing
iuntuk
imendapatkan
ihasil
iyang
ilebih
ibaik
idaripada
ialgoritme
igenetika
isaja,
isebaliknya
isemakin
ibesar
inilai
ipopsize
idan
iiterasi,
isemakin
ikecil
inilai
itn
idan
it0
imaka
isemakin
ikecil
ipula
ikemungkinan
ialgoritme
igenetikaa
i-
isimulated
iannealing
iuntuk
imendapatkan
ihasil
i
yang
ilebih
ibaik
idari
ialgoritme
igenetika
isaja.
11. DAFTAR iPUSTAKA
Anggarsari, iFitri. i2017. iOptimasi iKebutuhan iGizi iuntuk iBalita iMenggunakan iHybrid iAlgoritme igenetikaa i -isimulated iannealing. iFakultas iIlmu iUniversitas iBrawijaya. iMalang.
Aryani, iAmalia iKartika. i2017. iHibridisasi iAlgoritme igenetikaa i- isimulated iannealing iuntuk iOptimasi iMulti-Trip iVehicle iRouting iProblem iwith iTime iWindows i(Studi iKasus: iPariwisata iKabupaten iBanyuwangi). iFakultas iIlmu iGENETIKA iSIMULATED iANNEALING i(GA-SA). iFakultas iTeknik iInformatika. iUniversitas iTelkom.
Fakhiroh, iDorrotul. i2017. iOptimasi iKomposisi iPakan iSapi iPerah iMenggunakan iAlgoritme iGenetika. iFakultas iIlmu iKomputer. iUniversitas iBrawijaya. iMalang
Laryska, iNabila, iTri iNurhajati. i2013. iPENINGKATAN iKADAR iLEMAK
iBanjarbaru.
Wahyono, iTeguh, iSuharyono, iIrawan iSugoro. i2011. iINOVASI iPAKAN iKOMPLIT iTERHADAP iPERTAMBAHAN iBERAT iBADAN iHARIAN iTERNAK iSAPI iPERANAKAN iONGOLE iJANTAN.