Optimasi Kandungan Gizi Susu Kambing Peranakan Etawa Menggunakan Extreme Learning Machine Dan Improved-Particle Swarm Optimization

  

Vol. 2, No. 10, Oktobe 2018, hlm. 3906-3911 http://j-ptiik.ub.ac.id

Optimasi Kandungan Gizi Susu Kambing Peranakan Etawa Menggunakan

  

Extreme Learning Machine Dan Improved-Particle Swarm Optimization

_{1 2 3} Bayu Andika Paripih , Imam Cholissodin , Putra Pandu Adikara

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: kindbayu@gmail.ac.id, imamcs@ub.ac.id, adikara.putra@ub.ac.id

  

Abstrak

  Susu merupakan salah satu sumber protein hewani yang mengandung semua zat yang mudah dicerna dan dimanfaatkan oleh tubuh. Produksi susu sapi perah relatif rendah sehingga belum memenuhi kebutuhan protein hewani masyarakat Indonesia. Kambing Peranakan Etawa mempunyai produksi susu yang tinggi dan cocok dikembangkan dengan iklim Indonesia sehingga dapat dijadikan alternatif. Kualitas produksi susu dipengaruhi oleh faktor pakan. Penelitian ini menggunakan Extreme Learning

  

Machine dan Improved-Particle Swarm Optimization untuk mencari komposisi pakan yang tepat agar

  kambing memproduksi susu yang baik. Produksi susu kambing dimodelkan menggunakan Extreme

  

Learning Machine dibantu dengan Improved-Particle Swarm Optimization untuk mendapatkan

  komposisi pakan terbaik agar kambing menghasilkan susu yang baik. Hasil pengujian parameter untuk pemodelan menghasilkan parameter terbaik diantaranya jumlah hidden node = 9, ukuran populasi serta iterasi maksimum untuk IPSO pemodelan masing-masing sebanyak 70 dan 30 dengan fitness 0,973892. Hasil pengujian parameter untuk mencari komposisi pakan diantaranya populasi serta iterasi maksimum untuk IPSO kandungan susu masing-masing sebanyak 90 dan 20 dengan fitness 38,51344218.

  Kata kunci: susu kambing PE, ELM, IPSO

Abstract

Milk is source of protein which is contain all of easy digested and required nutrition. Milk production

by dairy cows are low so Indonesian need of milk can’t be fulfilled. PE goat can produce qualify milk

cow and it also suitable to be cultivated at Indonesia so they can be alternative of milk source. Produced

milk quality is affected by given feed. This research uses Extreme Learning Machine and Improved-

Particle Swarm Optimization to search best feed composition so the goat can produce good milk.

Parameter calibration for building model are hidden node = 9, population size 70, maximum iteration

40 with fitness value 0.973892. Parameter calibration for searching feed composition are population

size = 90 and maximum iteration 20 with fitness value 38,51344218.

  Keywords: PE goat milk, ELM, IPSO

  iklim Indonesia sehingga dapat dijadikan 1.

   PENDAHULUAN alternatif. Kualitas produksi susu dipengaruhi oleh faktor pakan.

  Susu merupakan salah satu sumber protein

  Extreme Learning Machine (ELM)

  hewani yang mengandung semua zat yang merupakan salah satu algoritme dalam Artificial mudah dicerna dan dimanfaatkan oleh tubuh

  Neural Network (ANN). ELM dapat digunakan

  (Ressang & Nasution, 1982). Produksi susu sapi untuk membuat pemodelan dari sekumpulan perah relatif rendah sehingga belum kebutuhan data yang ada. Keunggulan ELM dibanding protein hewani masyarakat Indonesia belum algoritme ANN lainnya adalah waktu terpenuhi. Susu kambing memiliki kandungan komputasinya yang sangat cepat dengan gizi yang serupa dengan susu sapi performa yang baik (Huang, et al., 2006). ELM (Razafindrakoto, et al., 1994). Kambing mempunyai beberapa parameter (bobot, bias, Peranakan Etawa mempunyai produksi susu dan hidden layer) yang mempengaruhi hasil yang tinggi dan cocok dikembangkan dengan model dihasilkan. Sekedar mencoba-coba nilai

  Fakultas Ilmu Komputer Universitas Brawijaya

3906 tidak dapat menjamin ditemukan bobot dan bias terbaik agar ELM menghasilkan hasil yang maksimal. Improved-Particle Swarm

  Output layer

  β

  Optimization (IPSO) dapat membantu

  menemukan parameter-parameter ELM yang tepat.

  Hidden layer Improved-Particle Swarm Optimization

  (IPSO) merupakan pengembangan dari Particle

  Swarm Optimization (PSO). Particle Swarm Optimization (PSO) merupakan salah satu Input layer

  algoritme optimasi. PSO meniru perilaku sekumpulan hewan dalam mencari makan. PSO mudah diterapkan dan terbukti baik dalam banyak permasalahan optimasi (Chen, et al.,

  1

  2

  2014). PSO lebih cepat konvergen dibanding

  Gambar 1 Arsitektur ELM

  algoritme evolusi seperti Algoritme Genetika karena keseimbangan antara ekslporasi dan Langkah-langkah pelatihan algoritme ELM eksploitasi (Visalakshi & Silvanandam, 2009). (Cholissodin, 2016):

  Berdasarkan masalah di atas maka penulis 1.

  Buat random Wjk sebagai bobot mengajukan penelitian “Optimasi Kandungan masukan. Gizi Susu Kambing Peranakan Etawa 2.

  Hitung matriks keluaran hidden layer Menggunakan Extreme Learning Machine

  = 1/(1 + (− . )) (ELM) dan Improved-Particle Swarm

  † 3.

  Optimization

  Hitung output weight = .

  (IPSO)”. Extreme Learning

  † −1

  dimana Machine (ELM) digunakan untuk membuat = ( . ) . pemodelan dan prediksi produksi susu 4.

  Hitung hasil prediksi Ŷ = . sedangkan Improved-Particle Swarm

  Langkah-langkah pengujian algoritme

  Optimization (IPSO) digunakan untuk optimasi. ELM:

  Kandungan gizi pakan yang digunakan 1.

  Diketahui , dan adalah abu, protein kasar (PK), lemak kasar

  2. Hitung matriks keluaran hidden layer (LK), dan serat kasar (SK). Kandungan gizi susu

  = 1/(1 + (− . )) yang dioptimalkan adalah protein lemak,

  3. Hitung hasil prediksi Ŷ = . laktosa, dan berat jenis (density) sedangkan yang 4.

  Hitung nilai evaluasi, misal dengan diminimalkan adalah lemak. Data yang MAPE, MAE, MSE dan lainnya. digunakan sebanyak 6 data latih dan 3 data uji.

  2.2 Algoritma Improved-Particle Swarm 2. DASAR TEORI Optimization (IPSO)

  IPSO merupakan pengembangan dari

2.1 Extreme Learning Machine (ELM) Particle Swarm Optimization (PSO).

  ELM pertama kali diperkenalkan oleh Perbedaannya terletak pada tahap pembaruan

  Huang (2004). ELM merupakan jaringan saraf kecepatan. Dalam IPSO inertia weight dan tiruan (JST) feedforward dengan single hidden constriction factor diterapkan secara asinkron. atau disebut dengan SLFNS. Metode

  layer Inertia weight digunakan untuk

  pembelajaran ini dibuat untuk mengatasi menyeimbangkan penelusuran global dan lokal. beberapa kelemahan dari jaringan saraf tiruan

  Constriction factor digunakan untuk

  feedforward, terutama dalam hal waktu memastikan konvergensi partikel (Yonghe, et pelatihan (Huang, et al., 2006). al., 2015). Arsitektur ELM dapat dilihat pada Gambar

  Langkah-langkah dalam IPSO: 1.

  1. Inisialisasi partikel Posisi awal partikel harus berada dalam domain yang dibatasi oleh dua vektor x_min dan x_max yang mewakili batas bawah dan batas atas setiap dimensi (Engelbrecht, 2007). Pembangkitan populasi awal partikel menggunakan Persamaan (1). meminimalkan lemak sehingga nilai fitness dihitung menggunakan Persamaan (10).

  = + [0,1] ∗ ( − = + + +

  1

  (1) )

  (10) 2. Hitung fitness 3.

  Alur kerja penelitian ini dapat dilihat pada Perbarui personal best 4.

  Gambar 2. Perbarui global best 5.

  Perbarui kecepatan dan posisi

  Mulai

  Jika iterasi sekarang berada pada setengah iterasi awal, kecepatan dihitung

  Jenis pakan, kandungan menggunakan Persamaan (3). gizi pakan, persentase

  = ∗ + 2 ∗ ∗ ( − ) + 2 ∗

  1 pemberian pakan

  (3) ∗ ( − )

2 Cari bobot dan bias

  Jika partikel ke-i merupakan global best

  ELM terbaik inertia weight dihitung menggunakan

  Persamaan (4) namun jika tidak inertia

  weight dihitung menggunakan Persamaan Cari komposisi gizi (5). pakan terbaik

  (4) = 0,857143

  (5) Ubah menjadi

  = 0,857143 + ((1 − 0,857143) ∗ (1 − )) komposisi pakan

  Jika iterasi sekarang berada pada setengah iterasi akhir, kecepatan dihitung menggunakan Persamaan (6). Komposisi pakan terbaik

  ) + = [0.7 ∗ + 2 ∗ ∗ ( −

  1

2 Selesai

  (6) 2 ∗ ∗ ( − )]

  Constriction factor ( dihitung

  )

  Gambar 2 Alur Sistem menggunakan persamaan (7).

  2 − ( ∗( ))+2,428571 4.

  2 PENGUJIAN DAN ANALISIS (7) =

  4 Pengujian dilakukan terhadap parameter

  Setelah menghitung kecepatan ELM dan IPSO. selanjutnya memperbarui posisi dengan cara menjumlahkan posisi lama dengan

  4.1 Pengujian Terhadap Banyak Hidden kecepatan seperti pada Persamaan (8). node

• 1
• (8) =

  Pengujian ini bertujuan mengetahui berapa 6. Periksa kondisi pemberhentian jumlah hidden node terbaik. Dilakukan dengan

  Dalam penelitian ini kondisi cara memasukkan jumlah hidden layer mulai pemberhentian yang digunakan adalah dari 1 hingga 9. Angka 9 merupakan banyak data iterasi maksimum. latih. Bobot dan bias diacak dan di optimasi menggunakan IPSO dengan parameter ukuran

3. METODOLOGI

  populasi sebesar 10 serta Iterasi maksimum Sistem kerja penelitian ini dibagi menjadi sebesar 10. Percobaan dilakukan sebanyak 10 dua langkah. kali. Langkah pertama adalah membangun model, mencari bobot dan bias ELM terbaik

  Pengujian Hidden Node

  yang menghasilkan nilai error terkecil

  190

  menggunakan IPSO. Nilai fitness pada langkah

  180 SE ini dihitung menggunakan Persamaan (9).

  170 M

  1 ta 160

  (9)

  =

• 0,001
• ra 150 a

  Langkah kedua adalah mencari komposisi

  1

  2

  3

  4

  5

  6

  7

  8

  9 Rat

  kandungan gizi pakan terbaik menggunakan

  Hidden node

  IPSO. Penelitian ini memaksimalkan protein, laktosa, dan berat jenis (density) serta

  Gambar 3 Hasil Pengujian Hidden node

  Susu Sebaliknya, peningkatan rata-rata nilai fitness c.

  0.06

  0.15

  0.2

  0.25

  0.3 10 20 30 40 50 60 70 80 90 100 Rat a

  Ukuran Populasi Pengujian Terhadap Ukuran Populasi

  0.02

  0.04

  0.08

  0.1

  0.12

  0.14 10 20 30 40 50 60 70 80 90 100 Rat a

• ra ta n il ai fi tn e ss

  Iterasi maksimum Hasil Pengujian Terhadap Iterasi maksimum

  10

  20 10 20 30 40 50 60 70 80 90 100 Rat a

  itn e ss

  Ukuran Populasi Hasil Pengujian Ukuran Populasi IPSO Kandungan

  0.1

  0.05

• ra ta n il ai fi tn e ss
• ra ta n il ai f

  Nilai rata - rata fitness mengalami naik turun. Penurunan rata-rata nilai fitness disebabkan ruang pencarian lebih kecil. Sebaliknya, peningkatan rata-rata nilai fitness disebabkan ruang pencarian lebih luas. Dari pengujian di atas didapatkan ukuran populasi terbaik di antara 10-100 adalah sebesar 70 dengan nilai fitness 0,246647.

  Rata-rata MSE meningkat sampai hidden

  node sebanyak 8. Saat hidden node sebanyak 9

  rata-rata MSE turun. Terlalu sedikit hidden node menyebabkan model tidak fleksibel dalam mempelajari data namun terlalu banyak hidden node menyebabkan overfitting. Jika diberi hidden node sebanyak 10 rata-rata MSE naik sangat tinggi. Hal ini terjadi karena hidden node melebihi data latih yang hanya sebanyak 9. Dari analisis hasil pengujian didapatkan hidden node terbaik sebanyak 9 dengan rata-rata MSE 166,188047.

  4.2 Pengujian Terhadap Ukuran Populasi

  IPSO Bobot dan Bias

  Pengujian ini bertujuan untuk mengetahui berapa ukuran populasi terbaik di antara 10-100. Pengujian dilakukan dengan hidden node yang telah didapat pada pengujian sebelumnya yaitu sebesar 9 serta iterasi maksimum sebesar 100. Dilakukan percobaan sebanyak 10 kali.

  Gambar 4 Hasil Pengujian Ukuran Populasi IPSO Pemodelan

  Nilai rata - rata fitness mengalami naik turun. Penurunan rata-rata nilai fitness disebabkan ruang pencarian lebih kecil.

  Gambar 6 Hasil Pengujian Ukuran Populasi IPSO Kandungan Susu

  IPSO Bobot dan Bias

  Pengujian ini bertujuan untuk mengetahui berapa ukuran populasi terbaik di antara 10-100. Pengujian dilakukan dengan Iterasi maksimum sebesar 10. Percobaan dilakukan sebanyak 10 kali.

  Gambar 5 Hasil Pengujian Iterasi Maksimum IPSO Pemodelan

  Rata-rata nilai fitness meningkat secara signifikan sampai Iterasi ke-40 lalu selanjutnya perbedaannya sangat kecil. Semakin banyak iterasi maka partikel mempunyai lebih banyak kesempatan untuk memperbarui posisi sehingga semakin mendekati solusi optimal. Iterasi yang terlalu besar tidak baik karena nilai fitness meningkat sangat kecil atau bahkan tidak meningkat namun waktu komputasi tetap meningkat. Dari pengujian di atas didapat Iterasi maksimum terbaik sebesar 40 dengan nilai fitness 0,120102.

  4.4 Pengujian Terhadap Ukuran Populasi

  IPSO Kandungan Susu

  Pengujian ini bertujuan untuk mengetahui berapa ukuran populasi terbaik di antara 10-100. Pengujian dilakukan dengan Iterasi maksimum sebesar 10. Percobaan dilakukan sebanyak 10 kali.

  4.3 Pengujian Terhadap Iterasi Maksimum

  Optimasi kandungan gizi susu disebabkan ruang pencarian lebih luas. Dari menggunakan IPSO. Model pengujian di atas didapatkan ukuran populasi ELM yang telah didapat terbaik di antara 10-100 adalah sebesar 70 digunakan untuk memprediksi dengan nilai fitness 18,8258265. produksi susu.

  d.

  Memberikan hasil rekomendasi 4.5 Pengujian Terhadap Iterasi Maksimum pakan yang optimal.

  IPSO Kandungan Susu 2.

  Hasil pengujian terhadap parameter ELM dan IPSO menghasilkan parameter

  Pengujian ini bertujuan untuk mengetahui terbaik untuk pemodelan yaitu hidden pada Iterasi ke berapa nilai fitness mulai stabil. node = 9, ukuran populasi = 70, iterasi

  Pengujian dilakukan dengan hidden node dan maksimum = 40 dengan fitness ukuran populasi yang telah didapat pada

  0,973892. Parameter terbaik untuk tahap pengujian sebelumnya yaitu sebesar 9 dan 70. optimasi komposisi kandungan gizi susu Dilakukan percobaan sebanyak 10 kali. yaitu ukuran populasi = 70, iterasi maksimum = 30 dengan fitness

  Hasil Pengujian Terhadap

  38,51344218. Parameter-parameter

  Iterasi maksimum

  tersebut menghasilkan hasil optimasi yaitu rumput odot 0,36 kg dan rumput

  7.2 ss

  7.19 raja 0,15 kg. e

  7.18 tn fi

  7.17 ai

  5.1 Saran

  7.16 il n

7.15 Penelitian selanjutnya bisa menambahkan

  ta

  7.14 ra

  data harga untuk mencari komposisi pakan yang

• 7.13

  a murah dan memenuhi kebutuhan gizi.

  10 20 30 40 50 60 70 80 90 100 Rat

  Iterasi maksimum 6.

DAFTAR PUSTAKA

  Gambar 7 Hasil Pengujian Iterasi Maksimum IPSO Chen, S., Xu, Z., Tang, Y. & Liu, S., 2014. An

  Kandungan Susu Improved Particle Swarm Optimization Algorithm Based on Centroid and

  Rata-rata nilai fitness meningkat sampai

  Exponential Inertia Weight. Mathematical

  Iterasi ke-30 lalu selanjutnya stabil. Dari pengujian di atas didapat Iterasi maksimum

  Problems in Engineering, Volume 14.

  terbaik sebesar 30 dengan nilai fitness 7,190625.

  Engelbrecht, A. P., 2007. Computational Intelligence : An Introduction. 2nd ed. West 5.

   PENUTUP Sussex: WILEY.

5.1 Kesimpulan Huang, G.-B., Zhu, Q.-Y. & Siew, C.-K., 2006.

1. Extreme Learning Machine (ELM) dan

  Extreme Learning Machine : Theory and

  Improved-Particle Swarm Optimization

  Applications. Neurocomputing, Volume 70,

  (IPSO) dapat diterapkan pada optimasi pp. 289-501. kandungan gizi susu kambing Peranakan Etawa dengan alur kerja

  Razafindrakoto, O., Ravelomanana, N. &

  sebagai berikut:

  Rasolofo, A., 1994. Milk as a Substitute for

  a. set dinormalisasi Data

  Cow's Milk in Undernourished Children: A

  menggunakan Min-Max Randomized Double-Bind Clinical Trial. Normalization.

  b.

  Memodelkan produksi susu PEDIATRICS, 94(1), pp. 65-69. berdasarkan gizi pakan yang

  Ressang, A. A. & Nasution, A. M., 1982. Ilmu dikonsumsi dengan ELM.

  Kesehatan Susu (Milk Hygoene). 2 ed.

  Bobot yang digunakan dicari menggunakan

  IPSO agar Bogor: Institud Pertanian Bogor. menghasilkan nilai error yang sekecil mungkin. Visalakshi, P. & Silvanandam, S. N., 2009. Dynamic Task Scheduling with Load Balancing using Hybrid Particle Swarmp Optimization. International Journal of Open Problems in. Computer Science and Mathematics, 3(2), pp. 475-488.

  Yonghe, L., Minghui, L., Zeyuan, Y. & Lichao,

  C., 2015. Improved Particle Swarm Optimization Algorithm and Its Application in Text Feature Selection. Applied Soft Computing.