Perbandingan Metode ANN-PSO Dan ANN-GA Dalam Pemodelan Komposisi Pakan Kambing Peranakan Etawa (PE) Untuk Optimasi Kandungan Gizi
DOI:
https://doi.org/10.25126/jtiik.201633200Abstrak
Abstrak
Susu merupakan salah satu sumber protein hewani yang mengandung semua zat yang dibutuhkan tubuh. Ternak penghasil susu utama di Indonesia yaitu sapi perah, namun produksi susunya belum dapat mencukupi kebutuhan masyarakat. Alternatifnya adalah kambing peranakan etawa (PE). Tingginya kualitas kandungan gizi susu sangat dipengaruhi oleh beberapa faktor salah satunya, yaitu faktor pakan. Bagian peternakan kambing PE di UPT Pembibitan Ternak dan Hijauan Makanan Ternak Singosari-Malang masih menghadapi permasalahan, yaitu rendahnya kemampuan dalam memberikan komposisi pakan terhadap kambing PE. Kekurangan tersebut berpengaruh terhadap kualitas susu yang dihasilkan. Diperlukan pengetahuan rekayasa kandungan gizi susu untuk menentukan komposisi pakan dalam menghasilkan susu premium dengan kandungan gizi optimal. Penulis membandingkan dua metode yang sudah diteliti yaitu Artificial neural network (ANN) dan Particle Swarm Optimization (PSO) serta metode Artificial Neural Network (ANN) dan Genetic Algorithm (GA) dalam membuat pemodelan pakan kambing dalam mengoptimasi kandungan gizi susu kambing. Dalam analisa pengujian menggunakan metode ANN-PSO yang dilakukan dengan kasus untuk berat badan kambing 36 kg, serta jenis pakan yang digunakan yaitu rumput Odot 70% dan rumput Raja 30%, rata-rata kandungan protein naik 0.707%, sedangkan rata-rata kandungan Lemak turun 0.879%. Dengan menggunakan metode ANN-GA, rata-rata kandungan Protein naik sebesar 0.0852%, sedangkan rata-rata kandungan Lemak turun sebesar 2.3254%.
Kata Kunci: Susu Kambing, Optimasi, Artificial Neural Network (ANN), Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Kandungan nutrisi pakan.
Abstract
Milk is one of the animal protein sources which it contains all of the substances needed by human body. The main milk producer cattle in Indonesia is dairy cow, however its milk production has not fulfilled the society needs. The alternative is the goat, the Etawa crossbreed (PE). The high quality of milk nutrients content is greatly influenced by some factors one of them, is the food factor. The PE goat livestock division of the UPT Cattle Breeding and the Cattle Food Greenery in Singosari-Malang still faces the problem, it is the low ability in giving the food composition for PE goat. This flaw affects the quality of the produced milk. It needs the artificial science of the milk nutrients contain in order to determine the food composition to produce premium milk with the optimum nutrients contain. The writer uses the method of the Artificial Neural Network (ANN) and the Particle Swarm Optimization (PSO) to make the modeling of goat food in optimizing the content of goat milk nutrients. In the analysis of the examination that is done with the case of 36 kg goat weight, also the food type used is the 70 % Odot grass and 30% Raja grass can increase the nutrients contain of the protein milk for 0.707% and decrease the fat nutrients contain for 0.879%. If uses the method of Artificial Neural Network (ANN) and Genethic Algorithm (GA) can increase the nutriens contain of the protein for 0.0852% and decrease the fat nutients contain for 2.3254%.
Key Words : Goat Milk, Optimization, Artificial Neural Network (ANN), Particle Swarm Optimization (PSO), Genetic Algorithm (GA), the food nutrients contain.
Downloads
Referensi
A. Ratnaweera, S. Halgamuge, H. Watson. (2004). Self-organizing hierarchical particle. IEEE Transactions on Evolutionary Computation 8 (3), 240–255.
Alam, S., Dobbie, G., Koh, Y. S., Riddle, P., & Rehman, S. U. (2014). Research on particle swarm optimization based clustering: A systematic review of literature and techniques. Swarm and Evolutionary Computation, 17, 1-13.
Aliaga, I. M. (2003). Study of Nutritive Utilization of Protein and Magnesium in Rats With Resection FF The Distal Small Intestine. Beneficial Effect of Goat Milk, J. Dairy Science, vol 86: 2968-2966.
Aribowo, A., Lukas, S., & Gunawan, M. (2008). Penerapan Algoritma Genetika pada Penentuan Komposisi Pakan Ayam Petelur. Seminar Nasional Aplikasi Teknologi Informasi, B-21 - B-24.
Atmiyati. (2001). Potensi Susu Kambing Sebagai Obat dan Sumber Protein Hewani Untuk Meningkatkan Gizi Petani. Balai Penelitian Ternak, Bogor.
Chamidah, N., Wiharto, & Salamah, U. (2012). Pengaruh Normalisasi Data pada Jaringan Syaraf Tiruan Backpropagasi Gradient Descent Adaptive Gain (BPGDAG) untuk Klasifikasi. Jurnal ITSMART, Vol.1, No.1, 28-33.
Chen, H.-L. e. (2011). A novel bankruptcy prediction model based on an adaptive fuzzy k-nearest. Knowledge-Based Systems, 24, 1348–1359.
Edo, R. Z. (2014). Implementasi Backpropagation Neural Network dalam Pembangkitan Otomatis Fungsi Keanggotaan Fuzzy pada Penderita Penyakit Hepatitis. Skripsi Program Teknologi Informasi dan Ilmu Komputer. Universitas Brawijaya.
Engelbrecht, A. P. (2007). Computational Intelligence: An Introduction 2nd ed. West Sussex: John Wiley & Sons Ltd.
Fadilah, A. N. (2015). Implementasi Analytical Hierarchy Process (AHP) dan Algoritma Genetika untuk Rekomendasi dan Optimasi Pemupukan Berimbang Tanaman Hortikultura. Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, 5, no.14.
Fernanda, J. W. (2012). Boosting Neural Network dan Boosting Cart pada Klasifikasi Diabetes Militus Tiper II. Jurnal Matematika, 2(2), 33-49.
Fitriyanto, Astuti, T. Y., & Utami, S. (2013). Kajian Viskositas dan Berat Jenis Susu Kambing Peranakan Etawa(PE) pada Awal, Puncak dan Akhir Laktasi. Jurnal Ilmiah Peternakan, 299-306.
Gema, R. L. (2014). Jaringan Syaraf Tiruan Propagasi Balik dalam Prediksi Persediaan Ternak Sapi Potong (Studi Kasus di Wilayah Sumatera Barat) . Jurnal KomTekInfo, Fakultas Ilmu Komputer, 1(2), 21-27.
Gunawan, H. (2013). Prospek Usaha Penggemukan Kambing Potong. Pustaka Baru Press.
Gunawan, H. (2013). Prospek Usaha Penggemukan Kambing Potong. Jakarta: Pustaka Baru Press.
H.-L. Chen et al. (2011). A novel bankruptcy prediction model based on an adaptive fuzzy k-nearest. Knowledge-Based Systems 24, 1348–1359.
Hidayati, A. (2012, Mei 30). Pakan Kambing Perah. Dipetik Januari 20, 2016, dari Universitas Muhammadiyah Malang: http://peternakan.umm.ac.id/id/umm-news-2862-pakan-kambing-perah.html
Cholissodin, I., Dewi C., Surbakti E. E., (2016). Integrated ANN And Bidirectional Improved PSO For Optimization Of Fertilizer Dose On Palawija Plants. 2nd International Conference on Science in Information Technology (ICSITech).
Mahmudy, W. (2015). Improved particle swarm optimization untuk menyelesaikan permasalahan part type selection dan machine loading pada flexible manufacturing system (FMS). Konferensi Nasional Sistem Informasi.
Mahmudy, W. F. (2013). Algoritma Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya.
Mahmudy, W. F. (2014). Optimasi Part Type Selection And Machine Loading Problems Pada FMS Menggunakan Metode Particle Swarm Optimization. Konferensi Nasional Sistem Informasi 2014, Makassar.
Marini Putri Marwah, Y. Y. (2010). Produksi Dan Komposisi Susu Kambing Peranakan Ettawa Yang Diberi Suplemen Daun Katu (Sauropus androgynus (L.) Merr) Pada Awal Masa Laktasi . Buletin Peternakan, Vol. 34(2): 94-102.
Marini, F., & Walczak, B. (2015). Particle swarm optimization (PSO). A tutorial. IEEE Chemometrics and Intelligent Laboratory Systems, 13.
Mulyanto, S. (2006). Identifikasi Laktoferin Pada Kolostrum Dan Susu Kambing Dengan Metode Single Radial Immunodifusi Dan SDS-PAGE. Fakultas Peternakan Institut Pertanian Bogor.
Nugroho, B. A. (2010). Pasar Susu Dunia dan Posisi Indonesia.
Pramesti, D., Mahmudy, W. F., & Indriati. (2015). Optimasi Komposisi Pakan Kambing Potong Menggunakan Algoritma Genetika. DORO : Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, Vol. 5, No. 13.
Prihatminingsih, G. E. (2015). Hubungan antara Konsumsi Protein dengan Produksi, Protein dan Laktosa Susu Kambing Peranakan Ettawa. Jurnal Ilmu-ilmu Peternakan 25, Vol.2, 20-27.
Purbayanto, A. T. (2009). Efek Pengaturan Suhu Outlet Pada Pengering Semprot Terhadap Sifat Fisik, Kimia, Dan Mikrobiologi Susu Kambing Bubuk. Fakultas Teknologi Pertanian Institut Pertanian Bogor.
Raharjo, J. S. (2013). Model Artificial Neural Network Berbasis Particle Swarm Optimization untuk Prediksi Laju Inflasi. Jurnal Sistem Komputer, Vol. 3, No. 1, 10-21.
S.-C. Chu, R. J. (2004). Ant colony system with communication strategies. Information Sciences, vol.167. pp.63-76.
Sabati, D., Dania, W. A., & Putri, S. A. (2014). Peramalan Permintaan Sari Apel dengan Metode Jaringan Syaraf Tiruan (JST) di KSU Brosesm, Batu. Fakultas Teknologi Pertanian, Universitas Brawijaya, 1-10.
Setyorini, D., Widowati, L. R., & Rochay, S. (2008). Teknologi Pengelolaan Hara lahan Sawah Intensifikasi.
Shibata, K. &. ((2009).). Effect of Number of Hidden Neurons on Learning in Large-Scale Layered Neural Networks . in Proccedings of the ICRPS-SICE International Joint Conference 2009 (ICCAS-SICE '09), 5008-5013.
Soemarno. (2013). Pupuk dan Pemupukan Ramah Lingkungan. Malang.
Subekti, E. (2009). Ketahanan Pakan Ternak Indonesia. Mediagro, Vol.5, No.2, 63-71.
Susilowati, D. R., Utami, S., & Suratim, H. A. (2013). Nilai Berat Jenis dan Total Solid Susu Kambing Sapera di Cilacap dan Bogor. Jurnal Ilmiah Peternakan, Vol. 1, No. 3, 1071-1077.
Yayu Zuriati, R. M. (2011). Karakteristik Kualitas Susu Segar Dan Yoghurt Dari Tiga Bangsa Kambing Perah Dalam Mendukung Program Ketahanan Dan Diversifikasi Pangan. Seminar Nasional Teknologi Peternakan dan Veteriner.
Yuliandar, D., Warsito, B., & Yasin, H. (2012). Pelatihan Feed Forward Neural Network Menggunakan Algoritma Genetika dengan Metode Seleksi Turnamen untuk Data Time Series. Gaussian, Vol. 1, No.1, 65-72.
Zerda , E. R. (2009). Analisis dan Penerapan Algoritma Particle Swarm Optimization (PSO) pada Optimasi Penjadwalan Sumber Daya Proyek. Bandung.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).