Clustering Pakan Ternak Ruminansia Berdasarkan Kandungan Kimia Menggunakan Enhanced K-Means.
CLUSTERING PAKAN TERNAK RUMINANSIA
BERDASARKAN KANDUNGAN KIMIA MENGGUNAKAN
ENHANCED K-MEANS
FITRI
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 Clustering Pakan Ternak
Ruminansia Berdasarkan Kandungan Kimia Menggunakan Enhanced K-Means
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
Fitri
NIM G64110006
ABSTRAK
FITRI. Clustering Pakan Ternak Ruminansia Berdasarkan Kandungan Kimia
Menggunakan Enhanced K-Means. Dibimbing oleh AZIZ KUSTIYO dan
ANURAGA JAYANEGARA.
Peternak sering mengalami kesulitan dalam penggantian suatu pakan dengan
pakan lain agar kebutuhan ternak tetap terpenuhi. Oleh karena itu, perlu diketahui
pakan-pakan yang mirip berdasarkan kandungan kimia pakan. Tujuan penelitian ini
adalah melakukan clustering pakan ternak ruminansia berdasarkan kandungan
kimia menggunakan enhanced k-means. Enhanced k-means meningkatkan akurasi
dengan menentukan nilai centroid awal secara sistematis dan menemukan cara yang
efisien untuk melalukan clustering. Kandungan kimia yang digunakan sebagai
input untuk clustering adalah kategori main constituents dan ruminant nutritive
values. Data penelitian berjumlah 96 jenis pakan ternak ruminansia bersumber dari
National Institute for Agricultural Research (INRA). Data ini adalah input untuk
algoritme enhanced k-means. Hasil clustering dievaluasi menggunakan indeks
Davies-Bouldin (DBI). Nilai DBI terkecil pada penelitian ini sebesar 5.58,
diperoleh pada ukuran cluster 10.
Kata kunci: clustering, enhanced k-means, pakan, ruminansia
ABSTRACT
FITRI. Clustering Ruminant Feed by Chemical Composition Using Enhanced KMeans. Supervised by AZIZ KUSTIYO dan ANURAGA JAYANEGARA.
Breeders often have difficulties in substituting a feed with other feed in order
to make livestock needs are fulfilled. Therefore, breeders need to know the feed that
are similar based on the chemical composition of the feed. The purpose of this study
is to perform clustering ruminant feed based chemical composition using the
enhanced k-means. Enhanced k-means improves the accuracy to determine the
value of the initial centroid systematically and creates clustering efficiently.
Chemical composition that are used as input are the main constituents and
ruminants nutritive values. Research data consist of 96 types of fodder sourced from
National Institute for Agricultural Research (INRA). The data are used as input for
enhanced k-means algorithm. Clustering result is evaluated using Davies-Bouldin
index (DBI). DBI minimal value in this study is 5.58 with cluster size 10.
Keywords: clustering, enhanced k-means, feed, ruminant
CLUSTERING PAKAN TERNAK RUMINANSIA
BERDASARKAN KANDUNGAN KIMIA MENGGUNAKAN
ENHANCED K-MEANS
FITRI
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: Hari Agung Adrianto, SKom MSi
Judul Skripsi : Clustering Pakan Ternak Ruminansia Berdasarkan Kandungan
Kimia Menggunakan Enhanced K-Means
Nama
: Fitri
NIM
: G64110006
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 dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala
karunia-Nya sehingga skripsi ini berhasil diselesaikan. Tema yang dipilih dalam
penelitian ini ialah pakan ternak ruminansia, dengan judul Clustering Pakan Ternak
Ruminansia Berdasarkan Kandungan Kimia Menggunakan Enhanced K-Means.
Penulis mengucapkan banyak terima kasih kepada berbagai pihak yang telah
membantu dalam penyelesaian tugas akhir ini, antara lain kepada:
1 Orang tua (Bapak Tiong Heng Alias Herman dan Ibu Bie Kwan), dan keluarga
penulis yang telah memberikan doa dan dukungan, terlebih kepada abang kedua
saya yang banyak mengajarkan penulis dalam menyelesaikan tugas akhir.
2 Aziz Kustiyo, SSi MKom dan Dr Anuraga Jayanegara, SPt MSc sebagai
pembimbing skripsi yang telah membimbing dengan sabar serta memberi
masukan dan motivasi kepada penulis.
3 Hari Agung Adrianto, SKom MSi 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 Teman-teman satu bimbingan yang setopik: Selma dan Ulfa atas bantuan dan
dukungan yang diberikan.
6 Fadil, Ira, Citra, dan teman-teman seperjuangan Ilmu Komputer angkatan 48 atas
segala bantuan, dukungan dan kenangan bagi penulis selama menjalani masa
studi.
Semoga skripsi ini bermanfaat bagi pihak yang membutuhkannya.
Bogor, Agustus 2015
Fitri
DAFTAR ISI
DAFTAR TABEL
viii
vi
DAFTAR LAMPIRAN
viii
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
3
METODE
5
Data Penelitian
5
Tahapan Penelitian
5
Praproses Data
5
Clustering Menggunakan Enhanced K-Means
5
Validasi Cluster Menggunakan Indeks Davies-Bouldin
6
Representasi Pengetahuan
6
Lingkungan Pengembangan
6
HASIL DAN PEMBAHASAN
7
Pengumpulan Data
7
Praproses Data
7
Clustering Menggunakan Enhanced K-Means
7
SIMPULAN DAN SARAN
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
14
LAMPIRAN
15
DAFTAR TABEL
1 Indeks Davies-Bouldin terbaik untuk tiap ukuran cluster
2 Jumlah anggota masing-masing cluster pada setiap perlakuan yang
memiliki DBI minimal
3 Anggota hasil clustering perlakuan 1 dengan ukuran cluster 8
4 Anggota hasil clustering perlakuan 2 dengan ukuran cluster 8
5 Anggota hasil clustering perlakuan 3 dengan ukuran cluster 10
6 Karakteristik masing-masing cluster berdasarkan centroid cluster
pada perlakuan 1 dengan ukuran cluster 8
7 Karakteristik masing-masing cluster berdasarkan centroid cluster
pada perlakuan 3 dengan ukuran cluster 10
8
8
9
10
11
12
12
DAFTAR LAMPIRAN
1
2
3
4
5
Data pakan ternak ruminansia perlakuan 1
Centroid akhir hasil clustering perlakuan 1 dengan ukuran cluster 8
Centroid akhir hasil clustering perlakuan 2 dengan ukuran cluster 8
Centroid akhir hasil clustering perlakuan 3 dengan ukuran cluster 10
Pengamatan terhadap indeks Davies-Bouldin
15
18
19
20
21
PENDAHULUAN
Latar Belakang
Pakan adalah semua bahan pakan yang mengandung zat-zat yang diperlukan
tubuh ternak seperti karbohidrat, lemak, protein, mineral, dan air (Parakkasi 1999).
Pakan ternak harus terjaga kualitas dan kuantitasnya agar proses produksi yang
dihasilkan menjadi baik (Anas et al. 2011). Kebutuhan ternak akan pakan terdiri
atas kebutuhan hidup pokok dan kebutuhan produksi. Ternak yang memperoleh
makanan yang hanya cukup untuk kebutuhan hidup pokok, bobot badannya akan
tetap. Ternak yang memperoleh makanan lebih dari kebutuhan hidup pokok, maka
sebagian kelebihan makanan akan digunakan untuk kebutuhan produksi (Tillman
et al. 1984). Salah satu ternak yang hasil produksinya banyak digunakan adalah
ruminansia.
Ternak ruminansia merupakan ternak yang sistem pencernaan makanannya
didahului proses fermentasi biologis dalam tubuh, misalnya domba, kambing,
kerbau, dan sapi (Rukmana 2001). Hasil produksi ternak ruminansia banyak
diperlukan untuk kebutuhan sehari-hari manusia seperti produksi susu, konsumsi
daging, bulu wol, dan lain-lain. Produktivitas ternak ruminansia dipengaruhi oleh
faktor kualitas pakan. Pakan berkualitas baik dapat meningkatkan produksi ternak
(McIlroy 1977). Pakan berkualitas baik merupakan pakan yang disukai ternak
(palatabel), mudah dicerna dan kandungan proteinnya tinggi. Kemampuan ternak
dalam mencerna pakan menjadi daging (kebutuhan produksi) juga sangat
tergantung dari kandungan kimianya yaitu protein, energi, dan serat kasar
(Soewardi 1974).
Sayangnya, peternak mengalami kesulitan dalam penggantian suatu pakan
dengan pakan lain agar kebutuhan ternak tetap terpenuhi. Pemberian jenis pakan
sering berganti dengan jumlah nutrisi yang tidak memenuhi kebutuhan.
Penggantian pakan biasanya terjadi saat musim panen padi. Sapi yang biasanya
diberi pakan hijauan berupa rumput diganti dengan jerami sisa panen yang
kandungan nutrisinya lebih rendah (Fikar dan Ruhyadi 2010). Pemberian pakan
berkualitas rendah belum dapat mencukupi kebutuhan hidup pokok dan produksi.
Oleh karena itu, perlu usaha untuk membantu peternak dalam pemberian pakan.
Berbagai penelitian telah dikembangkan untuk mengetahui pakan yang kandungan
kimianya dicerna secara tepat. Penelitian terkait dilakukan Febrisahrozi (2014)
untuk mengestimasi nilai kecernaan pakan ternak ruminansia melalui kandungan
utama pakan menggunakan metode artificial neural network (ANN). Struktur
ANN yang dibangun dapat mengestimasi nutrien dengan baik, ditunjukkan
oleh RMSE terkecil bernilai 3.33 yang diperoleh dari struktur ANN dengan
empat neuron hidden layer. Dengan estimasi kecernaan yang baik, dapat diketahui
pakan yang benar-benar dicerna tetapi penggantian pakan masih sulit dilakukan.
Tidak cukup sampai tahap estimasi, pakan perlu dikelompokkan berdasarkan
kandungan kimia agar dapat diketahui pakan-pakan yang mirip. Dengan begitu,
biaya pakan dapat diturunkan dengan memilih pakan yang paling murah dalam satu
cluster. Selain itu, ketika suplai suatu pakan kosong, pakan tersebut dapat
digantikan pakan lain yang berada dalam satu cluster. Pada penelitian ini, dilakukan
clustering pakan ternak ruminansia berdasarkan kandungan kimia. Clustering
2
merupakan proses pengelompokan sekumpulan objek ke dalam kelas yang
objeknya mirip (Han et al. 2011). Kandungan kimia yang dijadikan input clustering
adalah main constituents (kandungan utama pakan) dan ruminant nutritive values
(nilai kecernaan pakan). K-Means merupakan algoritme yang komputasinya tinggi
dan hasil pengelompokannya sangat bergantung pada pemilihan centroid awal.
Penelitian menggunakan algoritme enhanced k-means karena enhanced k-means
lebih akurat dan efisien dibanding k-means. Enhanced k-means menemukan
centroid awal yang lebih baik dan menemukan cara yang efisien untuk melakukan
clustering (Abdul-Nazeer dan Sebastian 2009).
Perumusan Masalah
Melihat kesulitan peternak dalam penggantian suatu pakan dengan pakan lain,
maka rumusan masalah penelitian ini adalah melakukan clustering pakan ternak
ruminansia berdasarkan kandungan kimia menggunakan enhanced k-means.
Tujuan Penelitian
Tujuan dari penelitian ini adalah melakukan clustering pakan ternak
ruminansia (kambing, domba, dan sapi) berdasarkan kandungan kimia yang
terdapat dalam pakan menggunakan enhanced k-means.
Manfaat Penelitian
Manfaat dari penelitian ini adalah memberi pertimbangan bagi peternak
dalam memberi pakan ternak ruminansia sehingga kebutuhan biaya pakan rendah
dan produktivitas ternak tinggi. Selain itu, ketika suplai pakan kosong, peternak
dapat memberikan pakan lain yang mirip dengan pakan tersebut.
Ruang Lingkup Penelitian
Ruang lingkup penelitian adalah:
1 Data penelitian merupakan bahan pakan ternak ruminansia yang biasa digunakan
Negara Prancis yang bersumber dari National Institute for Agricultural Research
(INRA) (Bontems et al. 2004).
2 Kandungan kimia yang dijadikan sebagai input clustering merupakan main
constituents (kandungan utama) dan ruminant nutritive values (nilai kecernaan
pakan). Main constituents merupakan kandungan utama yang terdapat dalam
pakan. Ruminant nutritive values menyatakan banyaknya komposisi nutrisi suatu
bahan maupun energi yang dapat diserap dan digunakan. Output clustering
merupakan cluster sejumlah k tertentu.
3 Clustering pakan ternak ruminansia dengan algoritme enhanced k-means
berbasis web dan menggunakan bahasa pemrograman PHP.
3
TINJAUAN PUSTAKA
Kandungan Kimia pada Tumbuhan Pakan Ternak
Menurut Givens et al. (2000), kandungan kimia pada tumbuhan pakan ternak
terdiri atas empat kategori, yaitu main analysis (constituents), mineral, asam
amino, dan metabolit sekunder. Beberapa istilah yang sering dijumpai dalam main
constituents, yaitu:
1 Protein kasar (crude protein): terdiri atas asam-asam amino yang saling
berikatan (ikatan peptida), amida, amina, dan semua bahan organik yang
mengandung nitrogen.
2 Serat kasar (crude fibre): bagian karbohidrat yang tidak larut setelah
pemasakan berturut-turut.
3 Lemak kasar (ether extract): semua senyawa pada pakan yang dapat larut dalam
pelarut organik.
4 Abu (ash): sisa hasil pengabuan yang terkandung pada bagian pakan.
5 Neutral-detergent fiber: ukuran yang digunakan untuk mengestimasi jumlah
makanan yang dapat diterima hewan.
6 Acid detergent fiber: ukuran yang digunakan untuk mengestimasi energi yang
akan diperoleh dari pakan yang dapat digunakan hewan.
7 Lignin: bagian dinding sekunder tumbuhan yang berupa polimer kompleks,
biasa terakumulasi pada batang tumbuhan berkayu dan semak.
8 Energi bruto (gross energy): jumlah kalor (panas) hasil pembakaran pakan
dalam bom kalorimeter.
Beberapa penjelasan untuk main constituents lainnya menurut Bontems et al.
(2004).
1 Insoluble ash: abu yang tidak larut.
2 Insoluble cell water: bagian dinding sel tanaman yang tidak larut dalam air.
3 Starch: pati (sumber energi)
4 Total sugars: total gula yang terkandung dalam pakan.
Ruminant nutritive values terdiri atas unité fourragère lait (UFL), unité
fourragère viande (UFV), protéine digestible dans l’intestin d’origine alimentaire
(PDIA), metabolisable energy (ME), energy digestibility (Ed), organic matter
digestibility (OMd), nitrogen digestibility value (Nd), dan true intestinal
digestibility (TId). UFL merupakan indeks energi untuk produksi susu. UFV
menunjukkan unit pakan yang diperlukan agar menghasilkan 1 kg daging. PDIA
adalah jumlah protein yang dapat dicerna di usus halus. ME adalah energi yang
dapat dicerna dan digunakan. Ed merupakan kecernaan energi dan OMd merupakan
banyaknya komponen gizi yang dapat dicerna di saluran pencernaan. Nd adalah
persentase nitrogen yang dicerna terhadap kandungan nitrogen dalam pakan. TId
adalah nilai suatu kandungan kimia yang benar-benar dicerna oleh usus (Bontems
et al. 2004).
Algoritme Enhanced K-Means
Algoritme enhanced k-means (EKM) merupakan pengembangan algoritme kmeans yang meningkatkan akurasi dan efisiensi sehingga mengurangi kompleksitas.
EKM menggunakan cara sistematis untuk mendapatkan centroid awal. Efisiensi
4
pada EKM ditingkatkan dengan membandingkan jarak titik dalam cluster terhadap
iterasi sebelum dan iterasi sesudah. Tahapan algoritme EKM terdiri atas (AbdulNazeer dan Sebastian 2009):
Tahap finding the initial centroids
Input:
D = {d1, d2,......,dn} // set of n data-points
k
//number of desired clusters
Output: A set of k initial centroids
Steps:
1 1 Set m=1;
2 Compute the distance between each data point and all other datapoints in the set D;
3 Find the closest pair of data points from the set D and form a datapoint set Am (1
BERDASARKAN KANDUNGAN KIMIA MENGGUNAKAN
ENHANCED K-MEANS
FITRI
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 Clustering Pakan Ternak
Ruminansia Berdasarkan Kandungan Kimia Menggunakan Enhanced K-Means
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
Fitri
NIM G64110006
ABSTRAK
FITRI. Clustering Pakan Ternak Ruminansia Berdasarkan Kandungan Kimia
Menggunakan Enhanced K-Means. Dibimbing oleh AZIZ KUSTIYO dan
ANURAGA JAYANEGARA.
Peternak sering mengalami kesulitan dalam penggantian suatu pakan dengan
pakan lain agar kebutuhan ternak tetap terpenuhi. Oleh karena itu, perlu diketahui
pakan-pakan yang mirip berdasarkan kandungan kimia pakan. Tujuan penelitian ini
adalah melakukan clustering pakan ternak ruminansia berdasarkan kandungan
kimia menggunakan enhanced k-means. Enhanced k-means meningkatkan akurasi
dengan menentukan nilai centroid awal secara sistematis dan menemukan cara yang
efisien untuk melalukan clustering. Kandungan kimia yang digunakan sebagai
input untuk clustering adalah kategori main constituents dan ruminant nutritive
values. Data penelitian berjumlah 96 jenis pakan ternak ruminansia bersumber dari
National Institute for Agricultural Research (INRA). Data ini adalah input untuk
algoritme enhanced k-means. Hasil clustering dievaluasi menggunakan indeks
Davies-Bouldin (DBI). Nilai DBI terkecil pada penelitian ini sebesar 5.58,
diperoleh pada ukuran cluster 10.
Kata kunci: clustering, enhanced k-means, pakan, ruminansia
ABSTRACT
FITRI. Clustering Ruminant Feed by Chemical Composition Using Enhanced KMeans. Supervised by AZIZ KUSTIYO dan ANURAGA JAYANEGARA.
Breeders often have difficulties in substituting a feed with other feed in order
to make livestock needs are fulfilled. Therefore, breeders need to know the feed that
are similar based on the chemical composition of the feed. The purpose of this study
is to perform clustering ruminant feed based chemical composition using the
enhanced k-means. Enhanced k-means improves the accuracy to determine the
value of the initial centroid systematically and creates clustering efficiently.
Chemical composition that are used as input are the main constituents and
ruminants nutritive values. Research data consist of 96 types of fodder sourced from
National Institute for Agricultural Research (INRA). The data are used as input for
enhanced k-means algorithm. Clustering result is evaluated using Davies-Bouldin
index (DBI). DBI minimal value in this study is 5.58 with cluster size 10.
Keywords: clustering, enhanced k-means, feed, ruminant
CLUSTERING PAKAN TERNAK RUMINANSIA
BERDASARKAN KANDUNGAN KIMIA MENGGUNAKAN
ENHANCED K-MEANS
FITRI
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: Hari Agung Adrianto, SKom MSi
Judul Skripsi : Clustering Pakan Ternak Ruminansia Berdasarkan Kandungan
Kimia Menggunakan Enhanced K-Means
Nama
: Fitri
NIM
: G64110006
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 dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala
karunia-Nya sehingga skripsi ini berhasil diselesaikan. Tema yang dipilih dalam
penelitian ini ialah pakan ternak ruminansia, dengan judul Clustering Pakan Ternak
Ruminansia Berdasarkan Kandungan Kimia Menggunakan Enhanced K-Means.
Penulis mengucapkan banyak terima kasih kepada berbagai pihak yang telah
membantu dalam penyelesaian tugas akhir ini, antara lain kepada:
1 Orang tua (Bapak Tiong Heng Alias Herman dan Ibu Bie Kwan), dan keluarga
penulis yang telah memberikan doa dan dukungan, terlebih kepada abang kedua
saya yang banyak mengajarkan penulis dalam menyelesaikan tugas akhir.
2 Aziz Kustiyo, SSi MKom dan Dr Anuraga Jayanegara, SPt MSc sebagai
pembimbing skripsi yang telah membimbing dengan sabar serta memberi
masukan dan motivasi kepada penulis.
3 Hari Agung Adrianto, SKom MSi 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 Teman-teman satu bimbingan yang setopik: Selma dan Ulfa atas bantuan dan
dukungan yang diberikan.
6 Fadil, Ira, Citra, dan teman-teman seperjuangan Ilmu Komputer angkatan 48 atas
segala bantuan, dukungan dan kenangan bagi penulis selama menjalani masa
studi.
Semoga skripsi ini bermanfaat bagi pihak yang membutuhkannya.
Bogor, Agustus 2015
Fitri
DAFTAR ISI
DAFTAR TABEL
viii
vi
DAFTAR LAMPIRAN
viii
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
3
METODE
5
Data Penelitian
5
Tahapan Penelitian
5
Praproses Data
5
Clustering Menggunakan Enhanced K-Means
5
Validasi Cluster Menggunakan Indeks Davies-Bouldin
6
Representasi Pengetahuan
6
Lingkungan Pengembangan
6
HASIL DAN PEMBAHASAN
7
Pengumpulan Data
7
Praproses Data
7
Clustering Menggunakan Enhanced K-Means
7
SIMPULAN DAN SARAN
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
14
LAMPIRAN
15
DAFTAR TABEL
1 Indeks Davies-Bouldin terbaik untuk tiap ukuran cluster
2 Jumlah anggota masing-masing cluster pada setiap perlakuan yang
memiliki DBI minimal
3 Anggota hasil clustering perlakuan 1 dengan ukuran cluster 8
4 Anggota hasil clustering perlakuan 2 dengan ukuran cluster 8
5 Anggota hasil clustering perlakuan 3 dengan ukuran cluster 10
6 Karakteristik masing-masing cluster berdasarkan centroid cluster
pada perlakuan 1 dengan ukuran cluster 8
7 Karakteristik masing-masing cluster berdasarkan centroid cluster
pada perlakuan 3 dengan ukuran cluster 10
8
8
9
10
11
12
12
DAFTAR LAMPIRAN
1
2
3
4
5
Data pakan ternak ruminansia perlakuan 1
Centroid akhir hasil clustering perlakuan 1 dengan ukuran cluster 8
Centroid akhir hasil clustering perlakuan 2 dengan ukuran cluster 8
Centroid akhir hasil clustering perlakuan 3 dengan ukuran cluster 10
Pengamatan terhadap indeks Davies-Bouldin
15
18
19
20
21
PENDAHULUAN
Latar Belakang
Pakan adalah semua bahan pakan yang mengandung zat-zat yang diperlukan
tubuh ternak seperti karbohidrat, lemak, protein, mineral, dan air (Parakkasi 1999).
Pakan ternak harus terjaga kualitas dan kuantitasnya agar proses produksi yang
dihasilkan menjadi baik (Anas et al. 2011). Kebutuhan ternak akan pakan terdiri
atas kebutuhan hidup pokok dan kebutuhan produksi. Ternak yang memperoleh
makanan yang hanya cukup untuk kebutuhan hidup pokok, bobot badannya akan
tetap. Ternak yang memperoleh makanan lebih dari kebutuhan hidup pokok, maka
sebagian kelebihan makanan akan digunakan untuk kebutuhan produksi (Tillman
et al. 1984). Salah satu ternak yang hasil produksinya banyak digunakan adalah
ruminansia.
Ternak ruminansia merupakan ternak yang sistem pencernaan makanannya
didahului proses fermentasi biologis dalam tubuh, misalnya domba, kambing,
kerbau, dan sapi (Rukmana 2001). Hasil produksi ternak ruminansia banyak
diperlukan untuk kebutuhan sehari-hari manusia seperti produksi susu, konsumsi
daging, bulu wol, dan lain-lain. Produktivitas ternak ruminansia dipengaruhi oleh
faktor kualitas pakan. Pakan berkualitas baik dapat meningkatkan produksi ternak
(McIlroy 1977). Pakan berkualitas baik merupakan pakan yang disukai ternak
(palatabel), mudah dicerna dan kandungan proteinnya tinggi. Kemampuan ternak
dalam mencerna pakan menjadi daging (kebutuhan produksi) juga sangat
tergantung dari kandungan kimianya yaitu protein, energi, dan serat kasar
(Soewardi 1974).
Sayangnya, peternak mengalami kesulitan dalam penggantian suatu pakan
dengan pakan lain agar kebutuhan ternak tetap terpenuhi. Pemberian jenis pakan
sering berganti dengan jumlah nutrisi yang tidak memenuhi kebutuhan.
Penggantian pakan biasanya terjadi saat musim panen padi. Sapi yang biasanya
diberi pakan hijauan berupa rumput diganti dengan jerami sisa panen yang
kandungan nutrisinya lebih rendah (Fikar dan Ruhyadi 2010). Pemberian pakan
berkualitas rendah belum dapat mencukupi kebutuhan hidup pokok dan produksi.
Oleh karena itu, perlu usaha untuk membantu peternak dalam pemberian pakan.
Berbagai penelitian telah dikembangkan untuk mengetahui pakan yang kandungan
kimianya dicerna secara tepat. Penelitian terkait dilakukan Febrisahrozi (2014)
untuk mengestimasi nilai kecernaan pakan ternak ruminansia melalui kandungan
utama pakan menggunakan metode artificial neural network (ANN). Struktur
ANN yang dibangun dapat mengestimasi nutrien dengan baik, ditunjukkan
oleh RMSE terkecil bernilai 3.33 yang diperoleh dari struktur ANN dengan
empat neuron hidden layer. Dengan estimasi kecernaan yang baik, dapat diketahui
pakan yang benar-benar dicerna tetapi penggantian pakan masih sulit dilakukan.
Tidak cukup sampai tahap estimasi, pakan perlu dikelompokkan berdasarkan
kandungan kimia agar dapat diketahui pakan-pakan yang mirip. Dengan begitu,
biaya pakan dapat diturunkan dengan memilih pakan yang paling murah dalam satu
cluster. Selain itu, ketika suplai suatu pakan kosong, pakan tersebut dapat
digantikan pakan lain yang berada dalam satu cluster. Pada penelitian ini, dilakukan
clustering pakan ternak ruminansia berdasarkan kandungan kimia. Clustering
2
merupakan proses pengelompokan sekumpulan objek ke dalam kelas yang
objeknya mirip (Han et al. 2011). Kandungan kimia yang dijadikan input clustering
adalah main constituents (kandungan utama pakan) dan ruminant nutritive values
(nilai kecernaan pakan). K-Means merupakan algoritme yang komputasinya tinggi
dan hasil pengelompokannya sangat bergantung pada pemilihan centroid awal.
Penelitian menggunakan algoritme enhanced k-means karena enhanced k-means
lebih akurat dan efisien dibanding k-means. Enhanced k-means menemukan
centroid awal yang lebih baik dan menemukan cara yang efisien untuk melakukan
clustering (Abdul-Nazeer dan Sebastian 2009).
Perumusan Masalah
Melihat kesulitan peternak dalam penggantian suatu pakan dengan pakan lain,
maka rumusan masalah penelitian ini adalah melakukan clustering pakan ternak
ruminansia berdasarkan kandungan kimia menggunakan enhanced k-means.
Tujuan Penelitian
Tujuan dari penelitian ini adalah melakukan clustering pakan ternak
ruminansia (kambing, domba, dan sapi) berdasarkan kandungan kimia yang
terdapat dalam pakan menggunakan enhanced k-means.
Manfaat Penelitian
Manfaat dari penelitian ini adalah memberi pertimbangan bagi peternak
dalam memberi pakan ternak ruminansia sehingga kebutuhan biaya pakan rendah
dan produktivitas ternak tinggi. Selain itu, ketika suplai pakan kosong, peternak
dapat memberikan pakan lain yang mirip dengan pakan tersebut.
Ruang Lingkup Penelitian
Ruang lingkup penelitian adalah:
1 Data penelitian merupakan bahan pakan ternak ruminansia yang biasa digunakan
Negara Prancis yang bersumber dari National Institute for Agricultural Research
(INRA) (Bontems et al. 2004).
2 Kandungan kimia yang dijadikan sebagai input clustering merupakan main
constituents (kandungan utama) dan ruminant nutritive values (nilai kecernaan
pakan). Main constituents merupakan kandungan utama yang terdapat dalam
pakan. Ruminant nutritive values menyatakan banyaknya komposisi nutrisi suatu
bahan maupun energi yang dapat diserap dan digunakan. Output clustering
merupakan cluster sejumlah k tertentu.
3 Clustering pakan ternak ruminansia dengan algoritme enhanced k-means
berbasis web dan menggunakan bahasa pemrograman PHP.
3
TINJAUAN PUSTAKA
Kandungan Kimia pada Tumbuhan Pakan Ternak
Menurut Givens et al. (2000), kandungan kimia pada tumbuhan pakan ternak
terdiri atas empat kategori, yaitu main analysis (constituents), mineral, asam
amino, dan metabolit sekunder. Beberapa istilah yang sering dijumpai dalam main
constituents, yaitu:
1 Protein kasar (crude protein): terdiri atas asam-asam amino yang saling
berikatan (ikatan peptida), amida, amina, dan semua bahan organik yang
mengandung nitrogen.
2 Serat kasar (crude fibre): bagian karbohidrat yang tidak larut setelah
pemasakan berturut-turut.
3 Lemak kasar (ether extract): semua senyawa pada pakan yang dapat larut dalam
pelarut organik.
4 Abu (ash): sisa hasil pengabuan yang terkandung pada bagian pakan.
5 Neutral-detergent fiber: ukuran yang digunakan untuk mengestimasi jumlah
makanan yang dapat diterima hewan.
6 Acid detergent fiber: ukuran yang digunakan untuk mengestimasi energi yang
akan diperoleh dari pakan yang dapat digunakan hewan.
7 Lignin: bagian dinding sekunder tumbuhan yang berupa polimer kompleks,
biasa terakumulasi pada batang tumbuhan berkayu dan semak.
8 Energi bruto (gross energy): jumlah kalor (panas) hasil pembakaran pakan
dalam bom kalorimeter.
Beberapa penjelasan untuk main constituents lainnya menurut Bontems et al.
(2004).
1 Insoluble ash: abu yang tidak larut.
2 Insoluble cell water: bagian dinding sel tanaman yang tidak larut dalam air.
3 Starch: pati (sumber energi)
4 Total sugars: total gula yang terkandung dalam pakan.
Ruminant nutritive values terdiri atas unité fourragère lait (UFL), unité
fourragère viande (UFV), protéine digestible dans l’intestin d’origine alimentaire
(PDIA), metabolisable energy (ME), energy digestibility (Ed), organic matter
digestibility (OMd), nitrogen digestibility value (Nd), dan true intestinal
digestibility (TId). UFL merupakan indeks energi untuk produksi susu. UFV
menunjukkan unit pakan yang diperlukan agar menghasilkan 1 kg daging. PDIA
adalah jumlah protein yang dapat dicerna di usus halus. ME adalah energi yang
dapat dicerna dan digunakan. Ed merupakan kecernaan energi dan OMd merupakan
banyaknya komponen gizi yang dapat dicerna di saluran pencernaan. Nd adalah
persentase nitrogen yang dicerna terhadap kandungan nitrogen dalam pakan. TId
adalah nilai suatu kandungan kimia yang benar-benar dicerna oleh usus (Bontems
et al. 2004).
Algoritme Enhanced K-Means
Algoritme enhanced k-means (EKM) merupakan pengembangan algoritme kmeans yang meningkatkan akurasi dan efisiensi sehingga mengurangi kompleksitas.
EKM menggunakan cara sistematis untuk mendapatkan centroid awal. Efisiensi
4
pada EKM ditingkatkan dengan membandingkan jarak titik dalam cluster terhadap
iterasi sebelum dan iterasi sesudah. Tahapan algoritme EKM terdiri atas (AbdulNazeer dan Sebastian 2009):
Tahap finding the initial centroids
Input:
D = {d1, d2,......,dn} // set of n data-points
k
//number of desired clusters
Output: A set of k initial centroids
Steps:
1 1 Set m=1;
2 Compute the distance between each data point and all other datapoints in the set D;
3 Find the closest pair of data points from the set D and form a datapoint set Am (1