Optimasi Formulasi Pakan Ayam Petelur Menggunakan Hibridisasi Particle Swarm Optimization
Total View This Week0
Total View This Week0
Institusion
Universitas Brawijaya
Author
Alfarisy, Gusti Ahmad Fanshuri
Subject
006.3 Artificial intelligence
Datestamp
2021-11-25 06:41:01
Abstract :
Salah satu faktor untuk bisa meningkatkan produksi telur ayam adalah melalui pakan. Pemberian pakan haruslah optimal, yaitu memenuhi kebutuhan nutrisi ternak dengan harga yang lebih murah, karena pakan merupakan biaya produksi terbesar yang dikeluarkan oleh peternak. Pembelian pakan jadi pabrik akan mengurangi keuntungan peternak lokal karena peningkatan harga terus terjadi. Sehingga dengan memanfaatkan bahan pakan lokal dengan komposisi pakan yang optimal, diharapkan dapat menekan biaya produksi dan dapat menguntungkan peternak. Selain itu, keseimbangan asam amino yang merupakan penyusun protein yang dapat meningkatkan produksi ayam petelur dan mengurangi residu kandang banyak diabaikan oleh peternak lokal. Metode manual seperti Pearson Square dan Aljabar tidak mempertimbangkan harga dan keseimbangan asam amino. Sedangkan metode trial and error akan memerlukan waktu yang lama untuk bisa menemukan komposisi pakan yang optimum. Selain itu Linear Programming (LP) tidak dapat menoleransi solusi ketika ada kendala yang dilanggar. Algoritma Genetika (GA) menunjukan peforma yang lebih baik karena dapat menyelesaikan masalah yang kompleks walau terdapat kendala yang dilanggar. Namun, GA melibatkan proses kawin silang, mutasi, dan seleksi yang dapat meningkatkan waktu komputasi. Selain itu GA pada awalnya dirancang dalam representasi biner. Berbeda dengan Particle Swarm Optimization (PSO) yang hanya melibatkan kalkulasi sederhana dalam menemukan solusi yang optimum dan dirancang untuk menyelesaikan masalah riil yang sesuai untuk permasalahan pakan ternak. Selain itu, kurangnya keberagaman partikel dapat menyebabkan konvergensi dini dan solusi dapat ditingkatkan ketika terdapat mekanisme komunikasi antar dua partikel secara langsung. Sehingga, studi ini menekankan pada penerapan hibridisasi PSO (MSPSO) yang melibatkan multi-swarm untuk meningkatkan keberagaman, pemanfaatan metode biseksi sebagai komunikasi antar dua partikel, dan penentuan parameter optimal untuk dapat menemukan komposisi pakan ternak yang optimum dengan melibatkan keseimbangan asam amino. Hasil yang ditemukan adalah, MSPSO mampu memberikan solusi yang efektif dalam hal rata-rata fitness, efisien dalam hal waktu komputasi, dan stabil dalam hal rata-rata standar deviasi jika dibandingkan dengan GA, PSO, dan hibridisasi GA adaptif dengan simulated annealing. Selain itu, tidak ada parameter optimal untuk semua formula. Parameter yang baik ditentukan dari hasil eksperimen. Parameter maksimum probabilitas biseksi sebesar 0,2, 0,3, 0,4, dan 0,5 untuk tiap-tiap sub-swarm sebagai kombinasi baik. Swarm size sebesar 50 dan total iterasi sebesar 16,000 menunjukan hasil yang lebih baik. Masing-masing koefisien akselerasi, kognitif dan sosial, sebesar 2,0. Sementara inertia weight sebesar 0,6.
Salah satu faktor untuk bisa meningkatkan produksi telur ayam adalah melalui pakan. Pemberian pakan haruslah optimal, yaitu memenuhi kebutuhan nutrisi ternak dengan harga yang lebih murah, karena pakan merupakan biaya produksi terbesar yang dikeluarkan oleh peternak. Pembelian pakan jadi pabrik akan mengurangi keuntungan peternak lokal karena peningkatan harga terus terjadi. Sehingga dengan memanfaatkan bahan pakan lokal dengan komposisi pakan yang optimal, diharapkan dapat menekan biaya produksi dan dapat menguntungkan peternak. Selain itu, keseimbangan asam amino yang merupakan penyusun protein yang dapat meningkatkan produksi ayam petelur dan mengurangi residu kandang banyak diabaikan oleh peternak lokal. Metode manual seperti Pearson Square dan Aljabar tidak mempertimbangkan harga dan keseimbangan asam amino. Sedangkan metode trial and error akan memerlukan waktu yang lama untuk bisa menemukan komposisi pakan yang optimum. Selain itu Linear Programming (LP) tidak dapat menoleransi solusi ketika ada kendala yang dilanggar. Algoritma Genetika (GA) menunjukan peforma yang lebih baik karena dapat menyelesaikan masalah yang kompleks walau terdapat kendala yang dilanggar. Namun, GA melibatkan proses kawin silang, mutasi, dan seleksi yang dapat meningkatkan waktu komputasi. Selain itu GA pada awalnya dirancang dalam representasi biner. Berbeda dengan Particle Swarm Optimization (PSO) yang hanya melibatkan kalkulasi sederhana dalam menemukan solusi yang optimum dan dirancang untuk menyelesaikan masalah riil yang sesuai untuk permasalahan pakan ternak. Selain itu, kurangnya keberagaman partikel dapat menyebabkan konvergensi dini dan solusi dapat ditingkatkan ketika terdapat mekanisme komunikasi antar dua partikel secara langsung. Sehingga, studi ini menekankan pada penerapan hibridisasi PSO (MSPSO) yang melibatkan multi-swarm untuk meningkatkan keberagaman, pemanfaatan metode biseksi sebagai komunikasi antar dua partikel, dan penentuan parameter optimal untuk dapat menemukan komposisi pakan ternak yang optimum dengan melibatkan keseimbangan asam amino. Hasil yang ditemukan adalah, MSPSO mampu memberikan solusi yang efektif dalam hal rata-rata fitness, efisien dalam hal waktu komputasi, dan stabil dalam hal rata-rata standar deviasi jika dibandingkan dengan GA, PSO, dan hibridisasi GA adaptif dengan simulated annealing. Selain itu, tidak ada parameter optimal untuk semua formula. Parameter yang baik ditentukan dari hasil eksperimen. Parameter maksimum probabilitas biseksi sebesar 0,2, 0,3, 0,4, dan 0,5 untuk tiap-tiap sub-swarm sebagai kombinasi baik. Swarm size sebesar 50 dan total iterasi sebesar 16,000 menunjukan hasil yang lebih baik. Masing-masing koefisien akselerasi, kognitif dan sosial, sebesar 2,0. Sementara inertia weight sebesar 0,6.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
