Estimasi Nilai Nutrisi Komposisi Kimia Pakan Ternak Ruminansia Menggunakan Metode Bayesian Regularization Neural Network

ESTIMASI NILAI NUTRISI KOMPOSISI KIMIA PAKAN
TERNAK RUMINANSIA MENGGUNAKAN METODE
BAYESIAN REGULARIZATION NEURAL NETWORK

ULFA NIKMATIYA

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Estimasi Nilai Nutrisi
Komposisi Kimia Pakan Ternak Ruminansia Menggunakan Metode Bayesian
Regularization Neural Network adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Agustus 2015
Ulfa Nikmatiya
NIM G64110012

ABSTRAK
ULFA NIKMATIYA. Estimasi Nilai Nutrisi Komposisi Kimia Pakan Ternak
Ruminansia Menggunakan Metode Bayesian Regularization Neural Network.
Dibimbing oleh AZIZ KUSTIYO dan ANURAGA JAYANEGARA.
Perbedaan komponen kimia pakan ternak dapat mempengaruhi nilai nutrisi
untuk hewan ternak. Peternak sulit menentukan formulasi pakan yang sesuai
dengan kebutuhan hewan ternak untuk mendapatkan nutrisi yang tepat. Estimasi
nutrisi pakan ruminansia pada penelitian ini dilakukan berdasarkan komposisi
kimia pakan menggunakan metode Bayesian regularization neural network
(BRNN). Data yang digunakan dalam penelitian ini didapatkan dari hasil penelitian
Rowett Research Institutte (INRA Perancis) pada kategori main constituents dan
bagian yang diestimasi adalah ruminant nutritive value . Penelitian ini membuat
model BRNN untuk memprediksi nutrisi pakan ternak ruminansia. Proses estimasi
dilakukan menggunakan arsitektur BRNN dengan beberapa jumlah neuron hidden

layer yang berbeda dan kombinasi jumlah neuron output. Model BRNN dengan 8
neuron ouput merupakan model BRNN terbaik yang memiliki nilai mean absolute
percentage error (MAPE) sebesar 11.82.
Katakunci: Bayesian regularization neural network, nilai nutrisi, pakan, ruminansia

ABSTRACT
ULFA NIKMATIYA. Estimation Nutrient Value Through Chemical Composition
of Ruminants Forage Using Bayesian Regularization Neural Network. Supervised
by AZIZ KUSTIYO and ANURAGA JAYANEGARA.
The different forage’s chemical compositions can affect the nutrient value for
livestock. Stock farmers find difficulties in determining the feed formulation in
accordance to the needs of livestock to get nutrition value properly. Feed nutrients
estimation based on chemical component in this research used Bayesian
regularization neural network (BRNN) method. The data in this research were
obtained from Rowett Research Intitutte (INRA Franch) in main constituents
category, and estimated one was of ruminant nutritive values category. This
research built a BRNN model to estimate feed nutrient of ruminant. The process of
estimation was performed by using the BRNN architecture with various numbers
of hidden layer’s neurons and output layer’s neurons. Model BRNN with 8 neuron
output was the best BRNN’s model that have a mean absolute percentage error’s

value of 11.82.
Keywords: Bayesian regularization neural network, feed, nutrition value, ruminant

ESTIMASI NILAI NUTRISI KOMPOSISI KIMIA PAKAN
TERNAK RUMINANSIA MENGGUNAKAN METODE
BAYESIAN REGULARIZATION NEURAL NETWORK

ULFA NIKMATIYA

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

Penguji: Dr Imas Sukaesih Sitanggang, SSi MKom

Judul Skripsi : Estimasi Nilai Nutrisi Komposisi Kimia Pakan Ternak Ruminansia
Menggunakan Metode Bayesian Regularization Neural Network
Nama
: Ulfa Nikmatiya
NIM
: G64110012

Disetujui oleh

Aziz Kustiyo, SSi MKom
Pembimbing I

Dr Anuraga Jayanegara, SPt MSc
Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji syukur penulis panjatkan kepada Allah Subhanahuwata’ala atas segala
karunia-Nya sehingga skripsi ini dapat diselesaikan. Penyusunan skripsi ini
berdasarkan penelitian yang telah dilakukan pada bulan Februari sampai Juni 2015.
Ucapan terima kasih penulis sampaikan kepada pihak-pihak yang telah membantu
dan mendukung dalam penyelesaian laporan ini, yaitu:
1 Ayahanda Syahrul Ramadhan dan ibunda Gusneli atas segala dukungan, doa dan
semangat dalam kelancaran pendidikan penulis.
2 Aziz Kustiyo, SSi MKom dan Dr Anuraga Jayanegara, SPt MSc sebagai dosen
pembimbing skripsi yang telah memberikan bimbingan dan motivasi hingga
penelitian ini selesai.
3 Dr Imas Sukaesih Sitanggang, SSi MKom sebagai dosen penguji yang
memberikan kritik dan saran untuk perbaikan penelitian ini.
4 Seluruh dosen dan staf Departemen Ilmu Komputer yang membantu penulis
selama menempuh perkuliahan.

5 M Haikal Dzulfikri, Fitri, Selma Siti Lutfiah atas dukungan, kerja sama dan
semangat dalam menyelesaikan penelitian ini.
6 Keluarga besar Bidik Misi IPB yang memberikan dukungan moral dan materi
dalam menunjang kelancaran akademik serta pengembangan diri penulis.
7 Keluarga besar, teman, dan semua pihak yang telah mendukung serta membantu
selama proses pelaksanaan penelitian ini.
Penulis berharap semoga skripsi ini dapat bermanfaat bagi penulis maupun
pihak yang memerlukan.

Bogor, Agustus 2015
Ulfa Nikmatiya

DAFTAR ISI
DAFTAR TABEL

vii

DAFTAR GAMBAR

vii

DAFTAR LAMPIRAN

vii

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

3

TINJAUAN PUSTAKA

3

Bayesian Regularization

3

Kandungan Kimia pada Tumbuhan Pakan Ternak

5

METODE

6

Tahapan Penelitian

6

Pengumpulan Data Penelitian

7

Praproses Data

7

Pembagian Data

7

Pelatihan Menggunakan BRNN

7

Pengujian

8

Evaluasi

9

Lingkungan Pengembangan

9

HASIL DAN PEMBAHASAN

9

Pengumpulan Data

9

Praproses Data

9

Pembagian Data

10

Pelatihan BRNN

10

Pengujian

12

Evaluasi

12

Deskripsi Sistem

16

SIMPULAN DAN SARAN

17

Simpulan

17

Saran

17

DAFTAR PUSTAKA

18

RIWAYAT HIDUP

28

LAMPIRAN

19

RIWAYAT HIDUP

28

DAFTAR TABEL
1
2
3
4
5
6
7
8

Skema pembagian data latih dan data uji
Nilai korelasi setiap output
Struktur BRNN untuk mengestimasi nilai nutrisi pakan ternak ruminansia
Nilai MAPE dan RMSE
Rincian nilai MAPE untuk semua output
Contoh rincian nilai PDIA dan hasil estimasi
Koefisien determinasi untuk model ANN dengan RMSE terkecil
Hasil estimasi pakan oats oleh sistem

10
11
12
13
13
14
14
16

DAFTAR GAMBAR
1
2
3
4
5
6

Tahapan penelitian
Fungsi aktivasi tansig (Fausett 1994)
Model BRNN untuk mengestimasi nilai nutrisi pakan ternak.
Grafik perbandingan nilai hasil estimasi BRNN dengan data aktual
Tampilan awal sistem
Hasil estimasi pakan oats

6
8
12
15
16
17

DAFTAR LAMPIRAN
1 Kandungan nilai main constituents dan ruminant nutritive values pada
2
3
4
5
6
7
8

pakan ternak ruminansia setelah praproses data
Nilai aktual dan hasil estimasi pada model 8 output
Nilai kesalahan hasil estimasi pada model 8 output
Nilai MAPE hasil estimasi pada model 8 output
Nilai aktual dan hasil estimasi pada model 6 output
Nilai MAPE hasil estimasi pada model 6 output
Nilai MAPE hasil estimasi pada model 3 output
Nilai MAPE hasil estimasi model 3 output

19
21
22
23
24
25
26
27

PENDAHULUAN
Latar Belakang
Hewan ternak membutuhkan nutrisi yang tepat melalui pakan yang
dimakannya. Kebutuhan nutrisi setiap hewan ternak berbeda. Salah satunya hewan
ternak ruminansia. Ternak ruminansia merupakan hewan mamalia yang bisa
memamah biak yaitu mampu memakan makanan kemudian mencernanya dalam 2
tahap yang meliputi sapi, kerbau, kambing, dan domba. Hewan ruminansia
mempunyai peranan yang sangat strategis bagi kehidupan ekonomi petani di
pedesaan, maka pemenuhan gizi ternak perlu diperhatikan melalui pemberian bahan
pakan sesuai kebutuhan hidupnya (Yunilas 2009). Pemberian pakan sangat
mempengaruhi produktivitas dan kineja hewan ternak. Salah satu aspek yang
penting dalam menunjang keberhasilan usaha peternakan adalah memberikan
pakan yang berkualitas dengan jumlah pemberian sesuai dengan kebutuhan hewan
ternak. Sebaiknya pakan yang diberikan kepada hewan ternak mengandung zat
makanan yang memadai kualitas dan kuantitasnya seperti energi, protein, lemak,
mineral, dan vitamin. Pemberian nutrisi pada ternak melalui pakan dengan jumlah
yang tepat dan seimbang akan menghasilkan produk berkualitas yang dihasilkan
oleh ternak ruminansia.
Kandungan kimia yang terkandung dalam pakan tidak semuanya diserap ternak
ruminansia. Komponen serat dalam pakan mempengaruhi utilisasi pakan dalam
saluran pencernaan. Beberapa faktor yang menyebabkan perbedaan tingkat
interaksi serat dan lemak adalah sebagian komponen serat pakan dapat dicerna
dalam saluran pencernaan ternak ruminansia serta pengaruh sifat fisik, komponen
kimia dan tingkat kecernaan komponen serat sangat bervariasi (Nazilah 2004).
Beberapa perlakuan seperti pemanasan, oksidasi, dan penyimpanan terhadap bahan
pakan akan mempengaruhi konsentrasi kandungan vitamin dan mineralnya.
Produksi hewan yang efisien dapat dicapai dengan memberikan bahan makanan
secara efisien juga sesuai dengan tujuan pemeliharaan seperti daging, telur, susu,
dan produksi sampingan (Hartadi et al. 1980). Oleh karena itu, diperlukan strategi
yang tepat untuk mengoptimalkan nutrisi yang diberikan kepada hewan ternak
melalui pakannya.
Pakan ternak merupakan komponen biaya produksi terbesar dalam suatu usaha
peternakan. Oleh karena itu pengetahuan tentang pakan dan pemberiannya perlu
mendapat perhatian yang serius. Pakan yang diberikan kepada ternak harus
diformulasikan dengan baik dan semua bahan pakan yang digunakan harus
mendukung produksi yang optimal dan efisien sehingga usaha yang dilakukan
dapat menjadi lebih ekonomis. Hal-hal yang berkaitan dengan pemberian pakan
ternak adalah kebutuhan nutrisi ternak, komposisi nutrisi bahan pakan ternak dan
teknik mengombinasikan beberapa jenis pakan untuk mencukupi kebutuhan ternak
(Subandriyo 2000).
Dalam bidang peternakan, pakan yang umum diberikan kepada ternak
bersumber dari tumbuhan. Spesies pakan ternak ruminansia beserta variasi
kandungan zat kimia sangat banyak jumlahnya. Hal ini sangat menyulitkan para
peternak untuk memilih jenis pakan yang tepat. Apabila peternak ingin
memprediksi nutrisi suatu pakan, peternak akan langsung memberikan pakan

2

tertentu pada ternak kemudian dianalisis kandungan nutrisinya pada ternak di
laboratorium. Cara lain untuk memprediksi nutrisi pakan yaitu dengan melakukan
percobaan pada alat simulasi pencernaan hewan ternak. Melakukan uji
laboratorium dan pecobaan alat simulasi pencernaan ternak memerlukan biaya yang
mahal dan waktu yang lama. Untuk membantu petenak memperkirakan nutrisi
pakan akan dibangun suatu model estimasi. Penelitian serupa pernah dilakukan oleh
Febrisahrozi (2014) untuk mengestimasi utilisasi nutrien pada pakan ternak
ruminansia menggunakan metode artificial neural network (ANN) dengan data
yang diambil dari website http://www.feedipedia.org dari bulan Februari hingga
Maret 2014. Penelitian lain juga dilakukan oleh Kaur dan Salaria pada tahun 2013
yang berjudul Bayesian Regularization Based Neural Network Tool for Software
Effort Estimation. Penelitian ini membandingkan beberapa kinerja fungsi aktivasi
neural network yaitu Lavenberg-Marquart, Bayesian regularization, dan gradient
descent.
Berdasarkan penelitian sebelumnya, penelitian ini membangun model
estimasi nilai nutrisi pakan menggunakan metode Bayesian regularization neural
network (BRNN). Metode tersebut merupakan salah satu metode neural network
yang terbaru dalam beberapa tahun terakhir. Hasil estimasi tersebut dijadikan
panduan untuk menyusun pakan sesuai kebutuhan nutrisi ternak ruminansia.

Perumusan Masalah
Rumusan permasalahan pada penelitian ini adalah bagaimana cara
mendapatkan model yang digunakan untuk memperkirakan nilai nutrisi pakan
ternak ruminansia melalui komposisi kimia dengan menggunakan Metode BRNN.

Tujuan Penelitian
Tujuan penelitian ini adalah membangun model BRNN dan membuat sistem
estimasi yang dapat memperkirakan nilai nutrisi yang dihasilkan dari pakan ternak
ruminansia berdasarkan kandungan kimianya.

Manfaat Penelitian
Manfaat penelitian ini adalah menghasilkan sistem yang menghasilkan model
untuk memperkirakan kandungan nutrisi pakan ternak ruminansia. Hal ini dapat
membantu para pembuat pakan ternak dalam menyusun pakan serta bagi penyuluh
peternakan dalam memberikan pertimbangan kepada para peternak terkait
pemberian pakan ternak ruminansia. Pemilihan pakan berdasarkan model estimasi
nilai nutrisi pakan ternak ruminansia sehingga produktivitas ternak ruminansia
dapat dioptimalkan.

3

Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah:
1 Data penelitian diambil dari buku Tables of Composition and Nutritional Value
of Feed Materials yang merupakan data hasil penelitian dari Rowett Research
Institutte (INRA Perancis) yang diterbitkan pada tahun 2004.
2 Kandungan kimia yang dijadikan untuk proses estimasi dari setiap spesies
tersebut adalah main constituents yaitu crude protein, crude fibre, ether extract,
ash, Insoluble Ash, Neutral Detergent Fibre, Acid Detergent Fiber, Acid
Detergent Lignin,Water Insoluble Cell Walls, Starch, Total Sugar, dan gross
energy.
3 Nilai nutrisi pakan yang diestimasi adalah ruminant nutritive values yaitu UFL,
UFV, PDIA, ME, ED, OMD, ND, dan TID.

TINJAUAN PUSTAKA
Bayesian Regularization
Bayesian regularization neural network (BRNN) merupakan salah satu
fungsi pelatihan jaringan saraf tiruan yang menggunakan pendekatan GaussNewton dan matrik Hessian yang diimplemetasi pada algoritma Levenberg
Marquardt. Fungsi pelatihan ini mampu meminimalkan kombinasi kesalahan
kuadrat dan bobot, kemudian menentukan kombinasi yang benar sehingga
menghasilkan jaringan yang menggeneralisasikan dengan baik. BRNN dapat
menyelesaikan permasalahan non-linier (Foresse dan Hagan 1997).
BRNN memiliki nilai input dengan lambang p dan target dengan lambang t
yaitu {p ,t } ,{p ,t } , …,{pn ,t n } dengan nilai kesalahan dapat dilihat dari selisih
antara nilai input dengan nilai target. Tujuan dari pelatihan BRNN adalah untuk
menemukan model dengan nilai kesalahan terkecil. Nilai bobot pada BRNN
diperbaharui sesuai dengan aturan Bayes (Foresse dan Hagan 1997) pada
Persamaan 1.

dengan
D
M
W
P W| ,M
P D| W, ,M
P D| , ,M

P W| D, , ,M =

P D| W, ,M P W| ,M
P D| , ,M

(1)

: Data set
: Saraf yang digunakan pada jaringan
: Bobot pada saraf jaringan
: Pengetahuan tentang bobot sebelum pengumpulan data
: Fungsi probability data dari bobot
: Normalization factor dengan nilai probability berjumlah 1

Metode ini mengasumsikan noise pada data training merupakan data
Gaussian dan prior distribusi untuk nilai bobot adalah Gaussian maka:

4

P D| W, ,M =

dengan

P W| ,M =

ZD
ZD

ZD

ZW

exp - ED

exp - EW

n⁄

= π⁄
= π⁄

n⁄

ZD

exp -

(2)
(3)
(4)
(5)

Persamaan 4 disubtitusikan dengan Persamaan 2 dan Persamaan 5
disubtitusikan dengan Persamaan 3, maka diperoleh Persamaan 6:

P W| D, , ,M =
=

ZF

ZW

,

ED + EW

Normalization Factor
exp - F W

(6)

Pada BRNN, pengoptimalan bobot dapat dilakukan dengan memaksimalkan
nilai posterior probability P D| , ,M yang meminimalkan fungsi tujuan
regularisasi. Fungsi tujuan regularisasi yaitu pada Persamaan 7.
F= ED + EW

(7)

dengan
ED adalah sum square of error
EW adalah sum square of weight
, adalah parameter objective function

Apabila
lebih kecil dibandingkan
maka algoritme pelatihan akan
meminimalkan kesalahan dan apabila lebih besar dibandingkan maka akan
mengurangi nilai bobot dan mempengaruhi nilai kesalahan sehingga menghasilkan
smooter network. Langkah-langkah yang dilakukan dalam optimasi parameter
Bayesian regularization menggunakan metode Gauss-Newton dengan
menggunakan pendekatan matriks Hessian (Foresse dan Hagan 1997):
1 Inisialisasi , dan bobot.
2 Inisialisasi persamaan objective function pada Persamaan 8.
F= ED+ EW

(8)

3 Menghitung Persamaan 9 menggunakan Gauss-Newton approximation untuk
menerapkan metode Hessian pada algoritma Lavenberg-Marquart pada
Persamaan 10.
(9)
γ=N- trH H=∇ F w = J T J+ IN
(10)
dengan
J: matrik Jacobian pada data training error.

5

4 Hitung estimasi terbaru dengan persamaan fungsi tujuan pada Persamaan 11
dan Persamaan 12.
γ
(11)
=
EW W
=

n-γ
ED W

(12)

5 Ulangi langkah 2 sampai 4 hingga konvergen.

Kandungan Kimia pada Tumbuhan Pakan Ternak
Data masukan main constituents merupakan komponen utama yang terdapat
dalam pakan. Rincian main constituents (Botems et al. 2004) sebagai berikut.
 Crude protein (%) adalah protein kasar berasal dari mineralisasi nitrogen yang
terdiri atas asam-asam amino yang saling berikatan (ikatan peptida), amida,
amina, dan semua bahan organik yang mengandung nitrogen (bernilai 2.1
sampai 60.6).
 Crude fibre (%) adalah serat kasar yang merupakan bagian karbohidrat yang
tidak larut setelah pemasakan berturut-turut (bernilai 1.1 sampai 34.2).
 Ether extract (%) adalah lemak kasar yang merupakan semua senyawa pada
pakan yang dapat larut dalam pelarut organik (bernilai 0.1 sampai 44.6).
 Ash (%): sisa hasil pengabuan yang terkandung pada bagian pakan (bernilai 0.6
sampai 11.5).
 Insoluble ash (%): bagian serat detergen asam yang tidak larut dalam H2SO4
72 % dan tersisa sebagai abu pada pembakaran 500 – 600 0C (bernilai 0 sampai
3).
 Neutral-detergent fiber (%): ukuran yang digunakan untuk mengestimasi
seberapa banyak makanan yang dapat diterima hewan (bernilai 2.3 sampai 65.8).
 Acid detergent fiber (%): ukuran yang digunakan untuk mengestimasi energi
yang akan diperoleh dari pakan yang bisa digunakan hewan (bernilai 0.7 sampai
40.4).
 Acid detergent lignin (%): bagian dinding sekunder tumbuhan yang berupa
polimer kompleks, biasa terakumulasi pada batang tumbuhan berkayu dan
semak (bernilai 0.2 sampai 13).
 Water insoluble cell walls (%): bagian komponen dinding cell tanaman yang
tidak larut air (bernilai 2.3 sampai 61.8).
 Starch (%): pati yang didapatkan dari hasil polimer dari glukosa (bernilai 0
sampai 77.1).
 Energi bruto (gross energy) (MJ/kg): jumlah kalori (panas) yang dihasilkan dari
(bernilai 0.4 sampai 26.7).
 Total Sugar (%): Total gula (monosakarida dan disakarida) (bernilai 0.3 sampai
39.8). proses pembakaran dengan bahan makanan dan diukur dengan bobm calorimeter
Data keluaran ruminant nutritive values merupakan nilai nutrisi yang
dihasilkan dari pencernaan hewan ternak ruminansia. Rincian ruminant nutritive
values (Botems et al. 2004) sebagai berikut:

6

 United fourragere lait (UFL) (per Kg) adalah unit hijauan untuk produksi susu
(bernilai 0.24 sampai 1.68).
 Unite fourragere viande (UFV) (per Kg) adalah unit hijauan untuk produksi
daging (bernilai 0.23 sampai 1.68).
 PDIA (g/Kg) adalah nilai untuk nitrogen dinyatakan sebagai protein dicerna
dalam usus (bernilai 8 sampai 429).
 Metabolisable energy (ME) (%) merupakan jumlah energi yang digunakan
untuk proses metabolisme (bernilai 2.7 sampai 18.7) .
 Energy digestibility (ED) (%) merupakan jumlah energi yang dapat dicerna
(bernilai 53 sampai 98).
 Organic matter digestibility (OMD) (%) merupakan jumlah zat yang dapat
dicerna (bernilai 54 sampai 96).
 Nitrogen digestibility (ND) (%) merupakan jumlah nitrogen yang dapat dicerna
(bernilai 36 sampai 81).
 True intestinal digestibility (TID) (%) merupakan protein yang dicerna oleh usus
halus (bernilai 65 sampai 96).

METODE

Tahapan Penelitian
Metode yang digunakan untuk melakukan estimasi nilai nutrien pada pakan
ternak ruminansia pada penelitian ini adalah Bayesian regularization neural
network (BRNN). Tahapan penelitian dapat dilihat pada Gambar 1.
Mulai

Pengumpulan
Data

Pembagian
Data

Praproses
Data

Data
Latih
Pelatihan
BRNN
Model
BRNN

Pengujian
Selesai
Gambar 1 Tahapan penelitian

Evaluasi

Data
Uji

7

Pengumpulan Data Penelitian
Data penelitian merupakan data sekunder yang diambil dari buku “Tables of
Composition and Nutritional Value of Feed Materials” merupakan data hasil
penelitian dari Rowett Research Institutte (INRA Perancis) yang diterbitkan pada
tahun 2004 (Botems et al. 2004).

Praproses Data
Data yang telah disusun akan dilakukan praproses data (cleaning data).
Praproses data yang dilakukan adalah menghapus data jenis pakan yang memiliki
data missing value. Saat dianalisis ternyata nilai komposisi kimia pakan memiliki
banyak nilai pencilan sehingga perlu dilakukan normalisasi data. Data hasil
normalisasi akan benilai antara 0 sampai 1. Rumus normalisasi (Han et al. 2011)
disajikan pada Persamaan 13.
Nilai Normalisasi =

Nilai Asli-Nilai Minimum
Nilai Maksimum-Nilai Minimum

(13)

Pembagian Data
Database nutrisi pakan ternak yang terbentuk akan dibagi menjadi data latih
dan data uji menggunakan metode K-fold cross validation. Nilai K yang digunakan
yaitu 3. Data latih merupakan data yang akan digunakan dalam pembangunan
model yaitu akan dijadikan input untuk model BRNN, sedangkan data uji
digunakan untuk mengetahui tingkat akurasi dari model yang dihasilkan.

Pelatihan Menggunakan BRNN
Pelatihan dilakukan pada data latih dengan menggunakan fungsi pelatihan
BRNN. Komponen kimia yang dijadikan input layer pada model adalah adalah
main constituents yaitu crude protein, crude fibre, ether extract, ash, insoluble ash,
neutral detergent fibre, acid detergent fiber, acid detergent lignin,water insoluble
cell water, starch, total sugar, dan gross energy. Adapun output layer adalah
masing-masing komponen nutrien pada ruminant nutritive values yaitu UFL, UFV,
PDIA, ME, ED, OMD, ND, TID. Proses pelatihan dilakukan dengan
mengombinasikan jumlah neuron hidden layer dan jumlah neuron output. Jumlah
neuron hidden layer yang dipakai adalah 5, 10, 15, 20, 25, 30, 35, 40, 45, dan 50.
Fungsi aktivasi yang digunakan pada hidden layer dan output layer adalah fungsi
tansig. Visualisasi fungsi tansig atau sigmoid bipolar pada Gambar 2.

8

Gambar 2 Fungsi aktivasi tansig (Fausett 1994)
Nilai tansig memiliki selang antara -1 sampai 1. Fungsi aktivasi tansig
membawa nilai input dan output menggunakan rumus tangen sigmoid dapat
dirumuskan pada Persamaan 14 yaitu
Tansig n =

+ exp - n

-

(14)

Jumlah output yang dipakai untuk setiap model adalah 8 neuron, 6 neuron,
dan 3 neuron. Saat menentukan jumlah output pada model, dilakukan perhitungan
nilai korelasi setiap output. Nilai korelasi dapat dirumuskan pada Persamaan 15
(Walpole 1993).
korelasi=

n ∑ xy- ∑ x

∑y

√{n ∑ x - ∑ x }{n ∑ y - ∑ y }

(15)

dengan
n = banyak data pasangan x dan y
∑ x = total jumlah dari var x
∑ y = total jumlah dari var y
∑ x = kuadrat total jumlah variabel x
∑ y = kuadrat total jumlah variabel y

Struktur BRNN yang dilakukan proses pelatihan akan menghasilkan
beberapa model yang akan digunakan dalam proses estimasi. Model yang
dihasilkan akan dilakukan pengujian dan evaluasi.

Pengujian
Model BRNN yang dihasilkan pada tahap pelatihan kemudian dilakukan
pengujian menggunakan data uji. Nilai hasil estimasi nutrisi pakan yang dihasilkan
oleh model BRNN dibandingkan dengan data hasil observasi laboratorium untuk
dievaluasi pada tahap selanjutnya.

9

Evaluasi
Kinerja model BRNN akan diukur dengan menghitung nilai root mean
square error (RMSE) dan mean absolute percentage error (MAPE). RMSE
menghitung nilai akar dari jumlah selisih antara nilai yang sebenarnya dengan nilai
yang diperkirakan kemudian dibagi dengan jumlah data estimasi. Sementara itu,
MAPE adalah menghitung rata-rata persentase kesalahan (selisih) hasil estimasi
terhadap nilai sebenarnya. RMSE menurut Walpole (1993) dan MAPE
(Montgomery et al. 1990) dapat dirumuskan pada persamaan 16 dan persamaan 17.
RMSE=√ ∑ni= Ŷi-Yi
n
1

(Yi-Ŷi)

| x 100%
MAPE= ∑ni=1 |
Yi
n

(16)
(17)

dengan
Yi : nilai data sebenarnya
Ŷi : nilai estimasi hasil model BRNN
n : banyaknya data

Lingkungan Pengembangan
Spesifikasi perangkat keras yang digunakan untuk penelitian ini adalah
komputer personal dengan spesifikasi prosesor Intel Core i3-2370M 2.4 GHz,
Sistem Operasi Windows 8 64 bit, memori 2 GB, dan hardisk 500 GB. Adapun
perangkat lunak yang digunakan untuk penelitian ini adalah MATLAB R2010b dan
Microsoft Excel 2010.

HASIL DAN PEMBAHASAN
Pengumpulan Data
Data yang digunakan pada penelitian ini diambil dari buku Tables of
Composition and Nutritional Value of Feed Materials merupakan data hasil
penelitian dari Rowett Research Institutte (INRA Perancis) yang diterbitkan pada
tahun 2004 (Botems et al. 2004). Kandungan kimia yang dijadikan untuk proses
estimasi dari setiap spesies tersebut adalah main constituents, sedangkan nilai
nutrien yang diestimasi diambil dari data ruminant nutritive values. Data pakan
ternak berjumlah 96 jenis pakan.

Praproses Data
Pada tahap ini dilakukan praproses data (cleaning data) yaitu menghapus
semua data jenis pakan yang memiliki data missing value. Data pakan ternak yang

10

berjumlah 96 jenis pakan setelah dilakukan praproses data, menjadi berjumlah 46
jenis pakan dapat dilihat pada Lampiran 1.

Pembagian Data
Pembagian data latih dan data uji dilakukan dengan metode K-fold cross
validation dengan nilai k=3. Pembagian data dilakukan dengan proporsi data latih
sebanyak 2/3 dan data uji sebanyak 1/3 dari seluruh data jenis pakan yang berjumlah
46 jenis pakan. Skema pembagian data latih dan data uji ditunjukkan dalam
Tabel 1.
Tabel 1 Skema pembagian data latih dan data uji
Data keFold ke1 – 15
16 - 30
31 – 46
1
data latih
data latih
data uji
2
data latih
data uji
data latih
3
data uji
data latih
data latih
Pelatihan BRNN
Proses pelatihan memakai 3 layer yaitu input layer, hidden layer, dan output
layer. Input layer berjumlah 12 neuron, hidden layer berjumlah 5, 10, 15, 20, 25,
30, 35, 40, 45, dan 50 neuron serta output layer berjumlah 8 neuron, 6 neuron, dan
3 neuron. Pelatihan ini dicobakan dengan beberapa jumlah output layer dan jumlah
hidden layer yang berbeda. Penelitian ini menggunakan fungsi pelatihan Bayesian
regularization. Fungsi aktivasi yang digunakan pada hidden layer adalah fungsi
tansig, dan pada output layer juga menggunakan fungsi tansig. Pelatihan dilakukan
pada Matlab R2010b dengan perintah sebagai berikut:
net=newff(pl',tl',5,{'tansig' 'tansig'},'trainbr');
net=train(net,pl',tl');
y=sim(net,pu');
target=tu';
e=abs(target-y);
Langkah pertama yang dilakukan untuk membuat jaringan saraf tiruan (JST)
pada Matlab yaitu membuat inisialisasi jaringan. newff adalah perintah pada
Matlab yang digunakan untuk membentuk jaringan saraf tiruan dengan parameter
net=newff(pl',tl',5,{'tansig' 'tansig'},'trainbr');
Perintah net merupakan JST yang terdiri dari beberapa layer, data input latih
dituliskan dengan perintah pl'. Data output yang akan dilakukan pelatih yaitu tl’.
Fungsi aktivasi JST yang digunakan untuk hidden layer dan output layer adalah
{'tansig' 'tansig'}, sedangkan fungsi pelatihan yang digunakan adalah
Bayesian regularization dengan memakai perintah 'trainbr'. Langkah
selanjutnya adalah melakukan pelatihan JST pada data input latih dan data output
latih yaitu

11

net=train(net,pl',tl');. Selanjutnya dibuat simulasi jaringan yang
digunakan untuk menghitung output dari jaringan, dengan perintah berikut
y=sim(net,pu');. Selanjutnya dihitung nilai kesalahan JST yang merupakan
selisih dari target dengan output yang didapatkan, dengan perintah
e=abs(target-y);.
Pada awalnya model memiliki jumlah output sebanyak 8 neuron yaitu UFL,
UFV, PDIA, ME, ED, OMD, ND, dan TID. Setelah dilakukan tahap evaluasi pada
model ini, salah satu output PDIA memiliki nilai kesalahan estimasi yang cukup
tinggi. Kemudian dilakukan analisis nilai korelasi antar masing-masing 8 output.
Terdapat 2 buah input yang memiliki nilai korelasi paling rendah terhadap output
lain yaitu PDIA dan ND. Selanjutnya dilakukan pelatihan dengan menggunakan 6
output yaitu UFL, UFV, ME, ED, OMD, dan TID. Hal ini diharapkan model akan
mendapatkan hasil yang lebih baik dalam menemukan pola data saat dilakukan
pelatihan pada output yang memiliki nilai korelasi yang tinggi.
Saat dilakukan evaluasi pada model 6 output, terdapat 3 output mengalami
penurunan nilai kesalahan estimasi dan 3 output mengalami kenaikan nilai
kesalahan estimasi. Selanjutnya model dengan 6 output tersebut dipisahkan menjadi
2 model berbeda untuk output UFL, UFV, ME dan model dengan output ED, OMD,
dan TID. Hal ini dilakukan untuk membandingkan nilai akurasi model BRNN yang
menghasilkan estimasi terbaik terhadap data yang diujikan. Nilai korelasi dari
setiap output dapat dilihat pada Tabel 2 dan struktur BRNN yang dibangun untuk
mengestimasi nilai nutrisi pakan ditunjukkan pada Tabel 3. Dari struktur BRNN
yang telah didefinisikan sebelumnya, dibangun sebuah model BRNN untuk
mengestimasi nilai nutrien pakan ternak ruminansia yang ditunjukkan pada
Gambar 3.
Model BRNN pada Gambar 3 memiliki 3 jenis layer yaitu input layer, hidden
layer, dan output layer. Input layer berjumlah 12 neuron, hidden layer berjumlah
5, 10, 15, 20, 25, 30, 35, 40, 45, dan 50 neuron serta output layer berjumlah
8 neuron, 6 neuron, dan 3 neuron. Neuron input layer dan neuron hidden layer
dihubungkan dengan bobot dan fungsi aktivasi untuk memperbaharui bobot setiap
neuron. Nilai bobot yang menghubungkan neuron input layer dengan neuron
hidden layer dilambangkan dengan Vij dengan nilai i merupakan neuron input ke-i
dan j merupakan neuron hidden ke–j. Sementara itu, nilai bobot yang
menghubungkan neuron hidden layer dengan neuron output layer dilambangkan
dengan Wij. Setiap neuron hidden layer dan output layer memiliki nilai bias
masing-masing bernilai 1.
Tabel 2 Nilai korelasi setiap output
UFL
UFL
UFV
PDIA
ME
ED
OMD
ND
TID

UFV
0.99

PDIA
0.45
0.43

ME
0.99
0.98
0.45

ED
0.70
0.79
0.41
0.68

OMD
0.65
0.71
0.33
0.59
0.98

ND
0.42
0.40
0.47
0.44
0.40
0.32

TID
0.46
0.49
0.40
0.43
0.69
0.68
0.49

12

Tabel 3 Struktur BRNN untuk mengestimasi nilai nutrisi pakan ternak ruminansia
Struktur ANN
Keterangan
Input layer
12 neuron
Hidden layer
Kelipatan 5 dimulai 5 sampai 50
neuron
Output layer
8 neuron, 6 neuron, 3 neuron
Fungsi pelatihan
Fungsi transfer

Bayesian regularization
Hidden layer: tansig
Output layer: tansig

Epoch

1000 (maksimum)

Bias

Bias
1

O1

Vij
1

Wij

2

O2
2

3

O3

n

12
Input layer

Hidden layer

O8
Output layer

Gambar 3 Model BRNN untuk mengestimasi nilai nutrisi pakan ternak.

Pengujian
Pengujian BRNN dilakukan berdasarkan pembagian data seperti ditunjukkan
Tabel 1 menggunakan metode 3-fold cross validation. Untuk setiap pembagian data,
dilakukan pengujian untuk struktur BRNN dengan jumlah neuron hidden layer
antara selang 5 antara nilai 5 sampai 50 neuron hidden layer menggunakan fungsi
pelatihan Bayesian regularization.

Evaluasi
Setelah dilakukan pengujian, masing-masing model memiliki nilai RMSE
dan MAPE. Untuk memilih model BRNN terbaik dapat dilihat berdasarkan nilai
MAPE terkecil karena MAPE dapat merepresentasikan besar kesalahan estimasi
dalam bentuk persentase kesalahan. Setiap kombinasi output dipilih 1 model terbaik.

13

Nilai RMSE dan MAPE untuk setiap kombinasi jumlah output dilihat pada
Tabel 4.
Tabel 4 Nilai MAPE dan RMSE
Jumlah Output
8 output
6 output
3 output (UFL UFV ME)
3 output (ED OMD TID)

RMSE

MAPE

3.47
1.74
1.07
2.17

11.82
10.20
16.78
4.36

Model BRNN yang memiliki 8 output memiliki nilai MAPE sebesar 11.82
dengan jumlah neuron hidden layer sebanyak 50. Hal ini berarti kesalahan estimasi
yang terdapat pada model ini sebesar 11.8 %. Model ini memiliki nilai RMSE
sebesar 3.47. Model BRNN yang memilki output 6 memiliki nilai MAPE sebesar
10.20 dan RMSE sebesar 1.74 dengan jumlah hidden layer sebanyak 30 neuron.
Model ini mengalami penurunan nilai RMSE dan MAPE dari model sebelumnya.
Model yang memiliki 3 output (UFL,UFV, dan ME) memiliki nilai MAPE sebesar
16.78 dan RMSE sebesar 1.07 yaitu model yang memiliki jumlah hidden layer
sebanyak 5 neuron. Pada model ini ternyata memiliki nilai MAPE yang paling besar
namun memiliki RMSE yang paling kecil dibandingkan model lain. Model yang
memiliki jumlah output 3 (ED, OMD, dan TID) memiliki nilai MAPE sebesar 4.36
dan nilai RMSE sebesar 2.17 yaitu model yang memiliki jumlah hidden layer
sebanyak 20 neuron. Model ini memiliki MAPE atau persentase nilai kesalahan
paling kecil dibandingkan dengan model sebelumnya. Perhitungan nilai MAPE
untuk masing-masing model dapat dilihat pada Lampiran 2, Lampiran 3, Lampiran
4, Lampiran 5, Lampiran 6 dan Lampiran 7. Rincian nilai MAPE untuk setiap
output dapat dilihat pada Tabel 5.
Tabel 5 Rincian nilai MAPE untuk semua output
Jumlah
Output
8 output
6 output
3 output
3 output

UFL
9.67

UFV
10.46

PDIA
38.88

ME
8.64

ED
5.74

OMD
8.17

ND
5.14

TID
7.89

15.49
16.54
-

16.26
18.90
-

-

14.25
14.92
-

4.39
3.09

3.59
3.31

-

7.24
6.67

Terlihat dari Tabel 5, variabel output UFL, UFV, ME mengalami kenaikan
nilai MAPE pada model 6 output dan model 3 output, sedangkan variabel output
ED, OMD, dan TID mengalami penurunan nilai MAPE pada model 6 output dan
model 3 output. Model BRNN 8 output memiliki rincian nilai kesalahan yang relatif
kecil kecuali pada output PDIA yang memiliki kesalahan sampai 38%. Hal ini
disebabkan karena variabel PDIA memiliki beberapa nilai pencilan atas seperti
PDIA bernilai 429, pada saat dilakukan estimasi untuk nilai 429 diperoleh nilai
estimasinya yaitu 175. Selisih antara nilai aktual dengan nilai estimasi besar yaitu
253. PDIA merupakan satu variabel output yang memberikan kesalahan terbesar
pada model ini. Contoh hasil estimasi PDIA untuk beberapa jenis pakan dapat
dilihat pada Tabel 6.

14

Tabel 6 Contoh rincian nilai PDIA dan hasil estimasi
Pakan
Wheat istillers’ grains
Wheat gluten feed
Corn gluten feed
Corn gluten meal
Maize bran
Maize feed flour

Nilai PDIA
102
33
49
429
55
48

Hasil Estimasi
130.4
33.4
54.8
175.8
37.3
13.5

Selisih
28.4
0.4
5.8
253.2
17.7
34.5

Sehingga penelitian ini memilih model yang memiliki 8 output untuk
melakukan estimasi komposisi kimia pakan ternak ruminansia dengan catatan
bahwa output PDIA belum bisa dilakukan estimasi karna memiliki nilai MAPE
yang lebih besar dari output lainnya. Nilai PDIA tidak bisa diestimasi melalui
pendekatan komposisi kimia suatu pakan. Diperlukan faktor lain untuk bisa
melakukan estimasi nilai PDIA seperti memperhatikan hal-hal yang mempengaruhi
kualitas yaitu perlakuan pakan, suhu penyimpanan pakan, kelembaban pakan, dan
sebagainya. Model BRNN yang memakai 8 output kemudian diukur koefisien
determinasinya (R2). Tujuan dilakukan pengukuran koefisien determinasi adalah
untuk melihat kekuatan hubungan antara nilai nutrisi pakan hasil estimasi dengan
nilai aktual atau nilai nutrisi hasil observasi laboratorium. Koefisien determinasi
(R2) dihitung untuk setiap variabel output yang diestimasi. Hasil perhitungan
koefisien determinasi (R2) disajikan dalam Tabel 7.
Tabel 7 Koefisien determinasi untuk model ANN dengan RMSE terkecil
Nilai nutrisi pakan
Koefisien determinasi (R2)
UFL
UFV
PDIA
ME
ED
OMD

0.593400
0.634500
0.726700
0.545800
0.758600

ND

0.727700
0.657200

TID

0.000004

Hasil perhitungan koefisien determinasi (R2) tersebut menunjukkan nilai
yang relatif konstan untuk ketujuh output yang diestimasi. Nilai koefisien
determinasi (R2) berkisar pada nilai 0.54 sampai 0.75 kecuali pada output TID yaitu
sebesar 0.000004. Grafik perbandingan antara data hasil estimasi menggunakan
BRNN dan nilai aktual hasil observasi laboratorium divisualisasikan pada
Gambar 4.

15

UFL

UFV
2

y = 1.0928x - 0.1385
R² = 0.5934

y = 1.0762x - 0.1077
R² = 0.6345

Estimasi

Estimasi

2

1

1

0

0
0

1

2

0

1

Aktual

Aktual

PDIA

ME
20

120
100
80
60
40
20
0

y = 0.3929x + 18.948
R² = 0.7267

y = 1.072x - 1.3619
R² = 0.5458

15

Estimasi

Estimasi

2

10
5

0

20

40

60

80

0

100 120

0

5

10

15

20

Aktual

Aktual

ED

OMD

100

100
80
y = 0.728x + 24.26
R² = 0.7586

60

Estimasi

Estimasi

80

40

y = 0.5575x + 41.043
R² = 0.7277

60
40
20

20

0

0
0

20

40

60

80

0

100

20

ND

60

80

100

80

100

TID
100

100

80

80

y = 1.0044x - 0.4033
R² = 0.6572

60

Estimasi

Estimasi

40

Aktual

Aktual

40

y = -0.0009x + 90.87
R² = 0.000004

60
40
20

20
0

0
0

20

40

60

Aktual

80

100

0

20

40

60

Aktual

Gambar 4 Grafik perbandingan nilai hasil estimasi BRNN dengan data aktual

16

Deskripsi Sistem
Model BRNN diimplementasi pada software MATLAB R2010b
menggunakan graphical user interface (GUI). Sistem mampu mengestimasi nilai
nutrisi pakan ternak ruminansia berdasarkan nilai komposisi kimia pakan. Tampilan
sistem terdiri atas 2 bagian yaitu input dan output. Bagian input memiliki 12
variabel yang diisi secara manual oleh user. Keluaran dari sistem ini terdiri atas 4
bagian yaitu model 8 output (UFL, UFV, PDIA, ME, ED, OMD, ND, dan TID),
model 6 output ( UFL, UFV, ME, ED, OMD, dan TID), model 3 output (UFL, UFV,
dan ME) dan model 3 output (ED, OMD, dan TID). Tampilan sistem estimasi
disajikan pada Gambar 5.

Gambar 5 Tampilan awal sistem
Sebagai contoh, nilai nutrisi pakan oats dilakukan estimasi berdasarkan nilai
komposisi kimia pakan. User memasukkan input yang berupa komposisi kimia
pakan oats sebanyak 12 variabel input. Kemudian sistem melakukan estimasi nilai
nutrisi pakan oats. Sistem mengeluarkan output yang dapat dilihat pada Tabel 8 dan
Gambar 6 sebagai berikut
Tabel 8 Hasil estimasi pakan oats oleh sistem
Jumlah
Output
Target
8 output
6 output
3 output
3 output

UFL
0.77
0.81
0.81
0.77
-

UFV
0.72
0.78
0.76
0.71
-

PDIA
16.00
10.00
-

ME
9.20
9.30
9.40
9.20
-

ED
65.00
73.00
62.00
65.00

OMD
ND
67.00
55.00
80.00
56.00
69.00
70.00
-

TID
79.00
88.00
89.00
78.00

17

Gambar 6 Hasil estimasi pakan oats

SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah berhasil membuat model Bayesian regularization neural
network yang dapat mengestimasi nilai nutrisi dengan baik. Model Bayesian
regularization neural network yang dipakai adalah model yang memiliki 8 neuron
output dengan nilai MAPE sebesar 11.82 yang memiliki jumlah neuron hidden
layer sebanyak 20. Output PDIA merupakan output yang memiliki nilai kesalahan
estimasi paling besar sehingga output PDIA sulit untuk diestimasi secara akurat
pada penelitian ini. Perlu faktor lain untuk mengestimasi PDIA.

Saran
Penelitian selanjutnya perlu dilakukan pembaharuan data pakan ternak
ruminansia beserta kandungan kimianya, karena informasi ini akan terus bertambah
seiring waktu yang dihasilkan dari hasil pengujian laboratorium. Sistem dilengkapi
dengan database yang menyimpan nama-nama pakan beserta komposisi kimianya.
Hal ini dapat memudahkan user dapat melakukan masukan data komposisi kimia
pakan tertentu. Sebaiknya sistem mampu menampilkan jenis pakan yang baru yang
memiliki kemiripan dengan pakan yang dibuat di database.

18

DAFTAR PUSTAKA
Botems V, Noblet J, Chapoutot P, Perez JM, Doreau B, Peyraud JL, Jondreville C,
Rulquin H, Kaushik SJ, Sauvant D et al. 2004. Tables of Composition and
Nutritional Value of Feed Materials, Ponter A, penerjemah; Sauvant D, Perez
JM, Tran G, editor. Den Haag (NL): INRA. Terjemahan dari: Table de
composition et de valuer nutritive des matieres premieres destinees aux animaux
d’elevage. Ed ke-2.
Fausett L. 1994. Fundamentals of Neural Networks Architectures, Algorithms,
and Applications. New Jersey (US): Prentice Hall.
Febrisahrozi D. 2014. Estimasi utilisasi nutrien melalui komposisi kimia pada
pakan ternak ruminansia menggunakan metode artificial neural network [skripsi].
Bogor (ID): Institut Pertanian Bogor.
Foresee FD, Hagan MT. 1997. Gauss-Network Approximation to Bayesian
Learning. Di dalam: Proceedings of the International Joint Conference on
Neural Networks. Oklahoma City (KO): Oklahoma State University. hlm 19301935. 1997 Jun; [tempat pertemuan tidak diketahui]
Han J, Kamber M, Pei J. 2012. Data Mining Concept and Techniques. 3rd Edition.
Waltam (US): Morgan Kaufmann.
Hartadi H, Lebdosukojo S, Reksohadiprodjo S, Tillman AD, Kearl LC, Harris LE.
1980. Tabel-Tabel dari Komposisi Bahan Makanan Ternak untuk Indonesia.
Utah (US): International Feedstuffs Institute.
Kaur H, Salaria DS. 2013. Bayesian regularization based neural network tool for
software effort estimation.Global Journal of Computer Science and Technology
Neural and Artificial Intelligence. 8(2):44-50.
Montgomery DC, Johnson LA, Gardiner JS. Forecasting and Time Series Analysis.
Singapore (SG): The Universities Press Ltd.
Nazilah R. 2004. Kajian interaksi sifat fisik dan kimia bahan pakan serta kecernaan
lemakpada kambing [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Subandriyo. 2000. Pendugaan kualitas bahan pakan untuk ternak ruminansia.
[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Yunilas. 2009. Bioteknologi Jerami Padi melalui Fermentasi Sebagai Bahan Pakan
Ternak Ruminansia. Medan (ID): Karya Ilmiah Departemen Peternakan
Fakultas Pertanian Universitas Sumatera Utara Medan.
Walpole RE. 1993. Pengantar Statistika. Ed ke-3. Sumantri B, penerjemah. Jakarta
(ID): Gramedia. Terjemahan dari: Introduction to Statictics.

Lampiran 1 Kandungan nilai main constituents dan ruminant nutritive values pada pakan ternak ruminansia setelah praproses data

Nama Pakan

Cru
Crude
de
fibre
prote
%
in %

Main constituents (input)
Neut
Acid Water
Inso
Acid
ral
detr insolu
Ether
lu
deterg
deter
gent ble
extract Ash % ble
ent
gent
lig
cell
%
ash
fibre
fibre
nin walls
%
%
%
%
%

Ruminant nutritive value (output)

Starch
%

Total
sugar
%

Gross
energy
MJ/kg

UFL
per
kg

UFV
per
kg

PDI
ME
A
kcal/kg
g/kg

Ed
%

OM
D
%

ND
%

TID
%

Barley

10.1

4.6

1.8

2.2

0.5

18.7

5.5

1

14.9

52.2

2.1

15.9

0.9

0.93

30

10.7

81

83

66

91

Maize

8.1

2.2

3.7

1.2

0

10.4

2.6

0.5

9.1

64.1

1.6

16.2

1.0

1.06

46

11.7

86

89

66

90

Oat

9.8

12.2

4.8

2.7

0.8

32.8

14.9

2.5

32.7

36.2

1.1

17.2

0.7

0.71

16

9.2

65

67

55

79

Shorgum

9.4

2.4

2.9

1.4

0.1

9.4

3.8

1.1

8.5

64.1

1.1

16.3

1.05

1.06

50

11.7

86

88

69

78

Triticale

9.6

2.3

1.4

1.9

0

12.7

3.2

1

10.6

59.9

2.7

15.7

1.01

1.02

20

11.3

85

88

69

90

Wheat.soft

10.5

2.2

1.5

1.6

0.1

12.4

3.1

1

9.7

60.5

2.4

15.8

1.02

1.02

26

11.3

86

88

70

92

Wheat bran

14.8

9.2

3.4

5

0.1

39.6

11.9

3.4

38.5

19.8

6.7

16.4

0.82

0.77

33

9.6

71

73

68

80

Wheat middlings

15.5

7

3.6

4.3

0.2

31.3

9.2

2.6

30.7

27.7

6.2

16.7

0.9

0.87

36

10.4

76

78

70

87

Wheat bran. durum

14.6

10.1

4.4

4.9

0.1

43.2

13

3.7

41.8

19.9

6.6

16.6

0.8

0.74

31

9.4

69

71

67

80

Wheat distillers’ grains.starch

33.8

9.2

6.5

3.6

0

37.9

14.6

4

36.4

3.8

0.8

19.3

0.96

0.9

102

11.2

75

74

76

85

Wheat gluten feed. starch

14.5

6.1

2.8

4.1

0.3

28.5

8.4

2.7

27.1

27.9

5.5

16.7

0.94

0.91

33

10.7

78

80

70

85

Corn gluten feed

19.3

7.5

2.7

6.1

1.5

33.8

8.8

1.1

32.8

18

1.7

16.4

0.93

0.91

49

10.7

80

82

74

85

Corn gluten meal

60.6

1.1

2.5

1.8

0.1

2.3

0.7

0.2

3.4

17.2

0.3

20.6

1.32

1.32

429

14.7

98

96

81

90

Maize bran

10.8

12.8

3.6

6

1.2

52.2

14.6

2.3

54.1

29.9

2.2

16.6

0.78

0.73

55

9.3

68

70

62

80

Maize feed flour

9

5.8

5.4

2.3

0.1

25.6

6.9

1.1

28.3

45.6

2.5

16.9

1.06

1.06

48

11.8

84

86

67

85

Rice bran. extracted

14.4

9.3

3.1

11.5

1.5

24.1

11.3

3.9

25.5

30.2

2.3

15.9

0.69

0.62

65

8.3

64

68

65

80

Rice bran. full fat

13.8

7.8

16.4

8.2

0.7

20.5

8.9

3.2

23.8

27.4

2.9

19.4

0.92

0.86

39

10.9

69

70

64

80

7.7

1.1

1.2

0.9

0.4

5.2

1.3

0.6

2.3

77.1

0.4

15.8

1.07

1.08

22

11.7

88

91

67

90

Rice. broken
Chickpea

19.9

3.5

6

3

0

9.3

3.7

0.2

10.5

44.8

5.2

17.5

1.19

1.21

42

13.1

92

93

78

92

Cottonseed. full fat 146

21.2

23.4

19.1

3.9

0.1

38.3

29.6

8.4

45.5

0

1.5

21.8

0.94

0.85

48

11.3

66

64

71

71

Lupin. blue

30.7

14.9

5.3

3.4

0.1

22.3

17.7

1.6

32.9

0

5.5

18.3

1.13

1.12

64

12.6

89

89

80

89

Lupin. white

34.1

11.4

8.4

3.5

0.2

18.9

13.7

0.9

29.8

0

6.4

18.8

1.18

1.18

47

13.2

91

90

80

89

Pea

20.7

5.2

1

3

0.1

12

6

0.3

12.8

44.6

3.9

15.8

1.04

1.05

29

11.6

90

92

78

91

19

20

Lanjutan

Nama Pakan

Inso
luble
ash
%

Cru
Crude Ether
de
Ash
fibre extract
prote
%
%
%
in %

Main constituents (input)
Neu
Acid
Acid
tral
deter
deter
deter
gent
gent
gent
fibre lignin
fibre
%
%
%

Ruminant nutritive value (output)
Water
inso
luble Starch
cell
%
walls
%

Total
sugar
%

Gross
energy
MJ/kg

UFL
per
kg

UFV
per
kg

PDI
A
g/kg

ME
kcal/
kg

Ed
%

O
M
d
%

Nd
%

TI
D
%

Rapeseed. full fat

19.1

8.2

42

4

0.3

17.6

12.4

5.5

20.5

0

5.1

26.4

1.68

1.68

36

18.7

87

83

75

80

Soybean. full fat. extruded

34.8

5.2

17.9

5.2

1.1

11

6.4

1

20

0

7.7

20.4

1.27

1.27

180

14.2

90

88

79

88

16

15.5

44.6

3.4

0

28.8

18.7

5.7

30

0

2.4

26.7

1.44

1.39

16

16.6

77

72

69

80

Copra meal. expeller

20.5

12.8

8.2

6.2

0.1

49.7

26.1

6.1

41

0

10.3

18.2

0.95

0.91

101

11

76

76

75

89

Cottonseed meal.crude fibre 7-14%

42.6

11.9

2.9

6.7

1

24.8

16.5

5.5

28.1

0

6.3

18.7

0.94

0.89

166

11

78

78

78

90

Cottonseed meal.crude fibre 14-20%

36.3

16.9

2.7

6.5

0.1

31.8

22.2

6.8

35.5

0

2.4

18.3

0.8

0.73

135

9.6

69

69

76

86

Palm kernel meal.expeller

14.8

17.9

8.5

4.1

3

65.8

40.4

12.1

58

0

2

18.2

0.84

0.77

74

10

68

68

71

79

Rapeseed meal

33.7

12.4

2.3

7

1.4

28.3

19.6

9.5

32.7

0

7.7

17.1

0.85

0.8

92

10

76

77

78

79

Soybean meal. 46

43.3

6.1

1.7

6.5

0.2

12.4

7.4

0.4

19.2

0

8.5

17.1

1.05

1.04

169

11.8

92

92

80

95

Soybean meal. 48

45.3

6

1.9

6.4

0.3

12.2

7.3

0.7

19.1

0

8.3

17.3

1.06

1.05

177

11.9

92

92

80

95

Soybean meal. 50

47.2

3.9

1.5

6.3

0.3

8.9

4.8

0.4

15.9

0

9.2

17.2

1.06

1.06

186

11.9

93

93

80

96

Sunflower meal. partially decorticated

33.4

21.2

1.7

6.7

0.3

35.9

24.7

8.2

38.5

0

5.7

17.4

0.66

0.57

76

8.1

61

62

75

89

Sunflower meal. undecorticated

27.7

25.5

2

6.2

0.6

41.1

29.3

10.1

45

0

5.2

17.2

0.56

0.46

59

7

53

54

71

84

Cassava. starch 67%

2.7

4.4

0.7

5.5

2.7

8.5

6.1

2.1

9.4

67

2

14.5

0.91

0.9

11

10.1

82

87

36

85

Cassava. starch 72%

2.5

2.9

0.5

2.3

0.3

6.3

4.1

1.2

11.1

71.6

2.4

14.9

0.99

1

10

10.9

86

90

37

85

Beet pulp. dried

8.1

17.3

0.9

6.8

1.6

40.5

20.6

1.9

58.6

0

6.6

15.2

0.89

0.87

37

10

81

84

71

85

Beet pulp. dried. molasses added

8.8

17.1

0.6

6.3

1.4

40.1

20.4

1

58

0

8.9

15.1

0.88

0.87

22

10

81

84

71

85

Beet pulp. pressed

2.1

5

0.1

1.6

0.3

11.6

5.8

0.4

16.7

0

1.2

4.1

0.24

0.23

8

2.7

80

83

69

85

Carob pod meal

4.4

7.3

0.4

3

0

27.1

23.3

13

33.1

0.6

39.8

14.7

0.7

0.65

14

8.3

67

70

38

65

Citrus pulp. dried

6.3

12.1

2.2

0.6

0.3

19.3

13.8

2.5

33.1

2.9

20.3

15.7

0.98

0.98

22

11

84

88

68

92

Soybean hulls

12

34.2

2.2

4.7

0.2

56.4

40.4

2.1

61.8

0

1.5

16.3

0.9

0.87

40

10.4

80

82

78

67

Alfalfa.dehydrated.protein