Alfarisy, Gusti Ahmad Fanshuri (2017) Optimasi Formulasi Pakan Ayam Petelur Menggunakan Hibridisasi Particle Swarm Optimization. Magister thesis, Universitas Brawijaya.
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.
English Abstract
The feed is one of the important things to increase the eggs production. Since it is the highest cost production, It should satisfy the laying hen nutrient requirements with the minimum cost. Buying feed from feed industries would decrease the local farmer profit as price increased. Thus, by utilizing local feed ingredients with optimal feed composition, it is expected to reduce the cost of production and would increase local farmer profit. In addition, balanced amino acids which are a building block of proteins which can increase eggs production and decrease cage residues mostly ignored by the local farmer. Manual methods such as Pearson Square and Algebra do not consider the price and balanced amino acids. While the trial and error method takes time to find the optimum feed composition. Furthermore, Linear Programming (LP) method cannot tolerate solutions when constraints are violated. Genetic Algorithm (GA) shows better performance since it can solve complex problems even with no constraint can be satisfied. However, GA involves crossover, mutation, and selection process that can increase computational time. In addition, GA was originally designed in binary representation. Unlike the Particle Swarm Optimization (PSO) which involves only simple calculations in finding the optimum solution and designed to solve roblems with real representation that are appropriate for animal feed problems. Furthermore, lack of diversity of particles can lead to premature convergence and solutions can be improved when there is a communication mechanism between two particles directly. Therefore, this study emphasizes on the application of hybridization of PSO (MSPSO) using multi-swarm to increase diversity, utilization of bisection method as communication between two particles, and the determination of optimum parameters in finding the optimum feed composition by involving balanced amino acid. The results show that MSPSO provides effective solutions in terms of average fitness, efficient in terms of time complexity, and stable in terms of standard deviation compared to GA, PSO, and hybridization of adaptive GA with simulated annealing. In addition, there is no optimal parameter for all formulae. The good parameters are determined from experimental results. The parameter of maximum bisection probability with 0.2, 0.3, 0.4, and 0.5 for each sub-swarm as a good combination. Swarm size of 50 and total iterations of 16,000 shows better results. Both acceleration coefficients, cognitive and social, are 2.0. While inertia weight is 0.6.
| Item Type: | Thesis (Magister) |
|---|---|
| Identification Number: | TES/006.3/ALF/o/2017/041712454 |
| Uncontrolled Keywords: | ARTIFICIAL INTELLIGENCE, ALGORITHMS, ANIMAL FEEDING |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence |
| Divisions: | S2/S3 > Magister Ilmu Komputer, Fakultas Ilmu Komputer |
| Depositing User: | Nur Cholis |
| Date Deposited: | 13 Apr 2018 01:14 |
| Last Modified: | 25 Nov 2021 06:41 |
| URI: | http://repository.ub.ac.id/id/eprint/9401 |
Preview |
Text
Lampiran.pdf Download (5MB) | Preview |
Preview |
Text
BAB V.pdf Download (2MB) | Preview |
Preview |
Text
BAB VI.pdf Download (403kB) | Preview |
Preview |
Text
BAGIAN DEPAN.pdf Download (874kB) | Preview |
Preview |
Text
DAFTAR PUSTAKA.pdf Download (416kB) | Preview |
Preview |
Text
BAB I.pdf Download (436kB) | Preview |
Preview |
Text
BAB IV.pdf Download (917kB) | Preview |
Preview |
Text
BAB II.pdf Download (964kB) | Preview |
Preview |
Text
BAB III.pdf Download (705kB) | Preview |
Actions (login required)
 |
View Item |