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 AdikaraProgram 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.