IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI MODEL AHP DAN TOPSIS UNTUK PENENTUAN KELAYAKAN PENGISIAN BIBIT AYAM BROILER DI KANDANG PETERNAK Fita Lathifatul Mu’asyaroh1 , Wayan Firdaus Mahmudy2
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI MODEL AHP DAN TOPSIS UNTUK PENENTUAN KELAYAKAN PENGISIAN BIBIT AYAM BROILER DI KANDANG PETERNAK
Fita Lathifatul Mu’asyaroh 1 , Wayan Firdaus Mahmudy 2
1,2 Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1 fita.lathifa@gmail.com, 2 wayanfm@gmail.com
(Naskah masuk: 1 Oktober 2016, diterima untuk diterbitkan: 26 Desember 2016)
Abstrak
Peternakan ayam broiler merupakan salah satu jenis usaha yang paling potensial dikembangkan. Pola yang biasa digunakan dalam pengembangan ayam broiler adalah pola kemitraan inti plasma. Pada pola ini perusahaan mitra meninjau layak tidaknya kandang peternak untuk mendapatkan bibit ayam broiler. Dalam penelitian ini ada beberapa penilaian kriteria yang dilakukan yaitu: riwayat peternak, tinggi kandang, jarak antar kandang, kelembapan, kekuatan kandang dan keamanan. Agar dapat memperoleh penilaian kelayakan kandang yang optimal, penelitian ini menawarkan solusi menggunakan algoritma genetika sebagai algoritma untuk penentuan kandang peternak dalam pengisian bibit ayam broiler. Data yang digunakan dalam penelitian adalah 46 data kandang ayam broiler. Proses algoritma genetika ini menggunakan representasi real –code dengan panjang kromosom sesuai dengan kriteria yang ditentukan, metode crossover yang digunakan adalah extended intermediate crossover , metode mutasi yang digunakan adalah random mutation, dan diseleksi dengan metode elitism . Dari hasil pengujian yang diperoleh parameter optimal yaitu ukuran populasi 105 individu dengan rata- rata fitness sebesar 0,73910, generasi sebanyak 115 dengan rata-rata firness sebesar 0,7610 dan kombinasi cr 0,5 dan mr 0,1 dengan rata-rata fitness sebesar 0,75218. Hasil akhir berupa layak atau tidak layak kandang peternak untuk diisi ayam broiler.
Kata kunci: Algoritma Genetika, Ayam Broiler, Optimasi.
Abstract
Broiler breeders are one of the most business potential to be developed. The usual pattern has been used in the development of broiler chicken was a partnership plasma core. In this pattern, company partners reviewing the appropriateness of the cage breeders to obtain the seed of broiler chickens. In this study there was several assessment criteria, it was the history of breeders, high of cages, the distance between cages, moisture, strength and security of cages. In order to obtain optimal cage feasibility assessment, this studied offers a solution by used genetic algorithm as an algorithm for determining of cage breeders in seed filling of broiler chickens. The data used in this research is the 46 data of broiler chicken coop. The process of genetic algorithm using real-code representation the chromosome length in accordance with the prescribed criteria, the crossover method used is extended intermediate crossover, mutation method used is random mutation, and selected by the method of elitism. From the test results obtained optimal parameters such as the size of the population of 105 individuals with an average fitness of 0.73910, generation of 115 with an average of 0.7610 and combination of cr 0.5 and mr
0.1 with an average fitness of 0.75218. The final result is the properness for the breeder cage at the contents of broiler chickens.
Keyword : Genetic Algorithm, Boiler Chickens, Optimization.
singkat yaitu dalam lima minggu ayam broiler sudah
1. PENDAHULUAN
dapat dipanen dengan bobot 1,5 kg/ekor(Maulana, 2008). Hal inilah yang mendorong banyak peternak
Peternakan ayam broiler merupakan usaha mengusahakan peternakan ayam broiler. Saat ini yang memberikan
peternak ayam broiler di kota Malang berkembang penyediaan daging nasional untuk memenuhi cukup pesat, hal tersebut dapat dilihat dari kebutuhan protein hewani masyarakat(Bahari, et al., banyaknya kandang ayam broiler dibeberapa daerah 2012). Ditinjau dari nilai gizinya, daging ayam yang menerapkan pola kemitraan inti plasma dengan broiler tidak kalah dibanding dengan daging dari perusahaan penyedia bibit ayam broiler. ternak lain (Sholikin, 2011). Ayam broiler Tujuan pola kemitraan ini adalah meningkatkan merupakan ayam penghasil daging yang memiliki pendapatan, dan peningkatan skala usaha baik dari beberapa keunggulan diantaranya, laju perputaran pihak perusahaan maupun peternak(Maulana, 2008). modal yang cepat dan waktu pemeliharaan yang Sedangkan inti plasma yang dimaksud adalah
konstribusi besar
dalam
Mu’asyaroh & Mahmudy, Impementasi Algoritma Genetika Dalam Optimasi …
dimana kelompok peternak mitra bertindak sebagai Pada penelitian ini digunakan algoritma evolusi plasma sedangkan perusahaan mitra sebagai inti.
untuk penentuan batas-batas tertentu. Terdapat Ada beberapa persyaratan dalam mengikuti
banyak metode yang dapat digunakan dan termasuk kemitraan seperti : peternak menyiapkan kandang,
dalam algoritma evolusi, diantaranya adalah peralatan, mengajukan pendaftaran kerjasama dan
Simulated Annealing (SA) , Particle Swarm wajib
Optimization (PSO) , Evaluation Strategies (ES), perusahaan(Yunus, 2009). Kemudian dari pihak
Genetic Algoritgm (GA) dan lain sebagainya(Arnold, perusahaan akan meninjau kelayakan dari kandang
2011). Dalam penentuan kelayakan pengisian bibit yang akan diisi bibit ayam broiler(Imadudin, 2001).
ayam broiler pada kandang peternak ini Fungsi kandang dalam berternak ayam broiler
menggunakan algoritma genetika. Kelebihan metode sangatlah penting karena kegagalan dalam beternak
Algoritma Genetika dibanding dengan metode ayam pedaging tidak serta merta kesalahan anak
algoritma evolusi lainnya adalah algoritma genetika buah kandang dalam memelihara ayam tetapi juga
dapat memecahkan suatu masalah yang kompleks dapat disebabkan dari kelayakan kandang ayam
(Mahmudy, Marian, Luong 2013). Selain itu tersebut.
algoritma genetika dapat memecahkan masalah sembarangan pada kandang yang dinilai kurang
optimasi dalam bidang computer science dengan layak dapat menyebabkan kerugian dimasa
tingkat kesuksesan yang tinggi(Restuputri, et al., mendatang baik bagi perusahaan maupun peternak,
jika terdapat banyak ayam yang mati diakibatkan Dengan adanya sistem ini diharapkan dapat oleh ketidaknyamanan kandang maupun diakibatkan
mengoptimalkan penilaian oleh faktor keamanan lingkungan tersebut.
membantu dalam
alternatif layak dan tidaknya beberapa kandang Beberapa petugas penyuluhan lapangan selama
untuk diisi bibit ayam broiler. Sehingga dapat ini masih menerapkan penilaian secara manual dan
ayam broiler dalam subjektif dalam menentukan kelayakan kandang
membantu
peternak
produktivitas ternaknya dan untuk diisi bibit ayam broiler. Penilaian dilakukan
meningkatkan
meminimalisir kerugian yang bisa terjadi. perorangan dan penentuan kelayakannya secara subjektif, tidak mempertimbangkan keputusan dari
2. LANDASAN KEPUSTAKAAN
pihak lain ataupun sistem. Perkembangan sistem
2.1 Kandang
informasi saat ini semakin banyak diminati, terutama Kandang adalah tempat tinggal ayam dalam dalam mendukung pengambilan keputusan.
melakukan semua aktivitasnya. Mulai dengan Pada penelitian mengenai penentuan kelayakan
makan, minum dan tentu saja tumbuh maupun pengisian kandang ayam broiler telah dilakukan
menghasilkan telur. Kandang yang tidak memenuhi sebelumnya oleh Indra dkk (2013), yang
persyaratan minimal tidak termasuk dalam arti menjelaskan kegunaan metode Analytical Hierarchy
kandang sebenarnya. Perlu sekiranya diperhatikan Process (AHP) sebagai alat bantu dalam
kenyamanan kandang sehingga mampu mendukung pengambilan keputusan pengisian bibit ayam
tercapainya performan ayam yang optimal(Rasyaf, broiler. Di dalam penelitian tersebut penilaian
kelayakan kandang ayam broiler dapat ditentukan dari kriteria riwayat peternak, tinggi kandang, jarak
2.2 Sistem Kandang
antara kandang, kelembapan, kekuatan kandang dan Sistem kandang merupakan hal penting keamanan. Pengujian akurasi dilakukan dengan
dalam pembuatan sebuah kandang ayam broiler. mencocokkan hasil rekomendasi dari sistem dengan
Syarat kandang ayam yang baik adalah kandang hasil rekomendari dari pihak lapang dalam
yang memenuhi standar yang telah ditentukan. penentuan layak atau tidaknya kandang untuk diisi
Syarat-syarat kandang ayam harus dipenuhi adalah bibit ayam broiler. Pengujian sensitivitas dilakukan
sebagai berikut (Rasyaf & Cahyono, 2004): untuk mengetahui kriteria yang berpengaruh dalam
1. Kandang harus dibuat kuat agar dapat penentuan kelayakan kandang ayam broiler dengan
dipakai dalam waktu yang lama, dan tidak melakukan penambahan dan pengurangan 10%,
mudah roboh karena angin yang kencang. 20%, 30%, dan 40%. Hasil penelitian tersebut
2. Dapat menahan air hujan dan terik matahari dengan menggunakan metode Analitical Hirarchy
langsung masuk kandang, tepi atap Proses (AHP) sebagai metode yang digunakan untuk
sebaiknya dibuat cukup lebar yaitu sekitar menentukan bobot kriteria kandang dan Technique
1,25 meter dari dinding kandang. for Order Preference by Similarity to Ideal
3. Kandang tidak rapat tetapi harus terbuka, Solution(TOPSIS)
memiliki celah-celah yang terbuka yang menentukan
dibuat dari anyaman bambu, kawat ram menghasilkan nilai akurasi sebesar 62,5% dan uji
atau jeruji-jeruji bambu sehingga hewan tingkat sensitivitas menunjukkan disetiap kriteria
pemangsa tidak dapat masuk melalui celah kandang memiliki selisih rata-rata sensitivitas yang
yang terbuka tersebut. hampir sama(Indra, 2013).
4. Ruang ventilasi dapat ditambahkan dengan membuat sistem atap monitor dan dapat
228 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. 3, No. 4, Desember 2016, hlm. 226-237
menggunakan kipas angin yang berfungsi
b. Comparatif Judgement, prinsip ini berarti menyedot udara kotor dalam kandang atau
membuat penilaian tentang kepentingan relatif mengalirkan udara segar masuk ke dalam
dua elemen pada suatu tingkatan tertentu yang kandang.
berkaitan dengan tingkatan diatasnya. Penilaian
5. Lantai kandang sebaiknya disemen agar ini merupakan inti dari AHP, karena akan memudahkan dalam pembersihan kandang
berpengaruh terhadap prioritas elemen-elemen dan dibuat lebih tinggi dari tanah
lainnya. Hasil dari penelitian ini lebih mudah disekitarnya.
disajikan dalam bentuk matriks Pairwise
6. Ukuran/luas kandang tergantung dari Comparison. Bentuk matriks Pairwise jumlah ayam yang akan dipelihara. Sebagai
Comparison dapat dilihat pada Tabel 1. pedoman, kepadatan ayam dewasa per meter persegi adalah 10 ekor.
Tabel 1. Skala Penilaian Perbandingan Berpasangan
7. Selokan/parit
sebaiknya
dibuatkan
Intensitas Keterangan
disekeliling kandang. Hal ini penting agar
Kepentingan
pembuangan air tidak menggenang. Kedua elemen sama pentingnya. Dua
8. Tata letak kandang hendaknya dibangun
1 elemen mempunyai pengaruh sama diatas tanah yang lebih tinggi dari tanah
besar.
sekitarnya agar udara dapat berputar dan Elemen yang satu sedikit lebih bergerak bebas elintasi kandang sehingga
penting dari pada lemen yang peredaran uadara dapat berjalan dengan
3 lainnya. Pengalaman dan penilain baik. Kandang tidak terletak pada lokasi
sedikit mendukung satu elemen yang sibuk dan gaduh mengingat ayam
dibandingkan elemen lainnya. mudah stres, ukuran dan luas kandang
Elemen yang satu lebih penting dari disesuaikan dengan jumlah dan umur ayam.
pada elemen yang lainnya.
9. Jarak antara kandang juga haus mendapat
5 Pengalaman dan penilaian sangat perhatian karena dapat mempengaruhi
kuat menyokong satu elemen sirkulasi udara, tingkat kelembapan, dan
dibandingkan elemen yang lainnya. tepreratur.
Satu elemen jelas lebih mutlak
10. Tinggi kandang berkaitan erat dengan bedarnya kandang untuk kondisi indonesia.
7 penting dari pada elemen lainnya. Satu elemen yang kuat disokong dan
Ketinggian dari lantai sampai atap teratas dominan terliat dalam prektek. minimal 6 meter, sedangkan ketinggian dari
Satu elemen mutlak penting dari lantai sampai atap terendah minimal 3
pada elemen lainnya. Bukti yang meter. Ketinggian kandang mempengaruhi
9 ventilasi, temperatur dan biaya. mendukung elemen yang satu
terhadap elemen lain memiliki
2.3 Analytical Hierarchy Process(AHP)
tingkat penegasan tertinggi yang Sub bab pada metode AHP yang dibahas
mungkin menguatkan. meliputi konsep dasar AHP dan prosedur AHP.
Nilai – nilai antara dua pertimbangan Metode ini digunakan sebagai model inputan.
yang berdekatan. Nilai ini diberikan bila ada dua kompromi diantara 2
2.2.1. Konsep Dasar AHP
pilihan.
AHP adalah sebuah hierarki fungsional dengan
Sumber : (Saaty & Vargas, 2006)
input utamanya persepsi manusia. Dengan hierarki,
dipecahkan ke dalam kelompok-kelompok tersebut Synthesis of Priority, dari matriks pairwise
suatu masalah kompleks dan tidak terstruktur
c.
comparison vektor eigen ciri-nya untuk diatur menjadi dua bentuk hierarki. Model AHP mendapatkan prioritas lokal, karena matriks memakai persepsi manus ia yang dianggap “pakar” pairwise comparison terdapat pada tingkat sebagai input utamanya. Pakar adalah seorang lokal, maka untuk melakukan secara global individu yang memiliki pengetahuan khusus harus dilakukan sintesis diantara prioritas lokal. pemahaman, pengalaman dan metode – metode yang Prosedur melakukan sintesis berbeda bentuk digunakan untuk memecahkan persoalan dalam
hierarki.
bidang tertentu(Nurcholis & Achlison, 2014).
d.
Dalam menyelesaikan persoalan AHP ada Local Consistency, konsistensi memiliki dua
makna. Pertama, bahwa objek-objek yang beberapa prinsip dasar yang harus dipahami antara serupa dapat dikelompokkan sesuai dengan lain (Saaty & Vargas, 2006): keseragaman dan relevansinya. Kedua, tingkat
a. Decomposition,
setelah
mendefinisikan
hubungan antara objek-objek yang didasarkan permasalahan atau persoalan, maka perlu
pada kriteria tertentu.
dilakukan dekomposisi,
yaitu memecah
persoalan yang utuh menjadi unsur-unsur terkecil.
Mu’asyaroh & Mahmudy, Impementasi Algoritma Genetika Dalam Optimasi …
CI = Consistency Index Secara umum langkah-langkah yang harus
2.2.2. Prosedur Analytical Hierarchy Process
RI = Indeks Random Consistency dilakukan dalam menggunakan AHP untuk
7. Memeriksa konsistensi hierarki. Jika nilainya pemecahan suatu masalah adalah sebagai berikut
lebih dari 10%, maka penilaian data judgement (Saaty & Vargas, 2006) :
harus diperbaiki. Namun jika Ratio Konsistensi
1. Mendefinisikan masalah dan menentukan (CI/RI) kurang atau sama dengan 0,1 maka solusi yang diinginkan, lalu menyusun hierarki
hasil perhitungan bisa dinyatakan benar (Saaty dari permasalahan yang dihadapi.
& Vargas, 2006)
2. Menentukan prioritas elemen
a. Langkah pertama dalam menentukan
2.3 Penentuan Kelayakan Kandang dengan
prioritas elemen
adalah
membuat
Technique for Order Preference by Similarity
to Ideal Solution (TOPSIS)
Sub bab ini membahas tentang penentuan layak berpasangan sesuai kriteria yang diberikan.
tidak layaknya kandang. Metode yang digunakan
b. Matriks perbandingan berpasangan diisi adalah metode Technique for Order Preference by menggunakan
Similarity to Ideal Solution (TOPSIS). Bobot kriteria merepresentasikan kepentingan relatif dari
bilangan
untuk
yang diperoleh dari metode AHP akan dijadikan suatu elemen terhadap elemen yang
acuan pada metode TOPSIS. lainnya.
3. Sintesis
2.3.1 Konsep Dasar dengan Technique for Order
Pertimbangan – pertimbangan terhadap
Preference by Similarity to Ideal Solution
perbandingan berpasangan disintesis untuk
(TOPSIS)
memperoleh keseluruhan prioritas. Hal – hal TOPSIS merupakan salah satu metode yang dilakukan dalam langkah ini adalah :
pengambilan keputusan multikriteria yang pertama
a. Menjumlahkan nilai-nilai dari setiap kali dikenalkan oleh Yoon dan Hwang pada tahun kolom pada matriks.
1981 (Juliyanti & I, 2011). Metode TOPSIS banyak
b. Membagi setiap nilai dari kolom dengan digunakan dalam beberapa model Multiple Attribute total kolom yang bersangkutan untuk
Decision Making (MADM) dikarenakan metode ini memperoleh normalisasi matriks.
memiliki beberapa keunggulan yaitu :
c. Menjumlahkan nilai-nilai dari setiap baris
1. Konsepnya sederhana dan mudah dipahami. dan membaginya dengan jumlah elemen
2. Komputasinya efisien.
untuk mendapatkan nilai rata-rat.
3. Memiliki kemampuan untuk mengukur kinerja
4. Mengukur konsistensi relatif dari alternatif-alternatif keputusan dalam Dalam pembuatan keputusan, penting untuk
bentuk matematis yang sederhana. mengetahui seberapa baik konsistensi yang ada karena kita tidak menginginkan keputusan
2.3.2 Prosedur TOPSIS
berdasarkan pertimbangan dengan konsistensi Berikut langkah-langkah prosedur TOPSIS yang rendah. Hal – hal iyang dilakukan dalam
(Lestari, 2011):
1. Menentukan matrik keputusan yang
langkah ini adalah sebagai berikut :
a. Kalikan setiap nilai pada kolom pertama
ternormalisasi
dengan prioritas relatif elemen pertama, TOPSIS membutuhkan rating kriteria kelayakan nilai pada kolom kedua dengan prioritas
setiap calon kandang ayam pada setiap kriteria relatif yang bersangkutan.
atau subkriteria yang ternormalisasi. Berikut
b. Jumlahkan setiap baris. persamaan matriks ternormalisasi dapat dilihat
c. Hasil dari penjumlahan baris dibagi
pada Persamaan (2-3).
....................................(2-3) bersangkutan.
dengan elemen prioritas relatif yang
d. Jumlahkan hasil bagi diatas dengan 𝑟 𝑖𝑗 = Normalisasi matrik banyaknya elemen yang ada, hasilnya
𝑥 𝑖𝑗 = Nilai data pada baris ke i dan disebut λ maks.
kolom ke j
5. Hitung Konsistensi Index (CI), berikut persamaan konsistensinya :
𝑚 √∑ 𝑥 2 𝑖=1 𝑖𝑗 = Akar dari jumlah baris ke i kolom 𝐶𝐼 = (𝜆 max − 𝑛 ) .......................................(2-1)
ke j di kuadratkan
Dimana n = banyaknya elemen.
6. Hitung Konsistensi Ratio (CR), berikut
2. Menghitung matriks keputusan ternormalisasi Persamaan Perhitungan Rasio konsistensi:
terbobot
...................................................(2-2) Dalam menghitung matriks 𝐶𝑅 = ternormalisasi
terbobot, harus ditentukan terlebih dahulu nilai Keterangan
merepresentasikan preferensi CR = Consistency Ratio
bobot
yang
absolute dari pengambilan keputusan. Nilai
230 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. 3, No. 4, Desember 2016, hlm. 226-237
preferensi menunjukkan tingkat kepentingan
relatif setiap kriteria atau subkriteria. Berikut √∑ (𝑦 𝑗=1 𝑖𝑗 −𝑦 𝑗 ) = Akar dari
perhitungan matrik ternormalisasi terbobot jumlah nilai matrik ternormalisasi terbobot ditunjukkan pada Persamaan 2-4 dan Persamaan
dikurangi nilai max
2-5 digunakan untuk menghitung perkalian bobot
preferensi degan matrik ternormalisasi atau
5. Menghitung nilai preferensi untuk setiap matrik keputusan ternormalisasi terbobot. 𝑤=
alternatif
𝑤 1 ,𝑤 2 ,𝑤 3 ,…,𝑤 𝑛 ..............................(2-4) Penghitungan nilai preferensi ditampilkan pada 𝑦 𝑖𝑗 = 𝑤 𝑖 ×𝑟 𝑖𝑗 ...........................................(2-5)
Persamaan 2.10.
w − = bobot prioritas 𝐷 𝑖 𝑉
+ ..............................(2.10) y ij
= Matrik ternormalisasi terbobot
w i = bobot prioritas ke i
Keterangan :
r ij = Matrik ternormalisasi 𝑉 1 = Nilai preferensi
− 𝐷 𝑖 + = jarak antar solusi ideal negatif
3. Menghitung matrik solusi ideal positif dan 𝐷 𝑖 = jarak antar solusi ideal positif matriks solusi ideal negatif.
Solusi ideal positif dan solusi ideal negatif dapat Dari hasil perhitungan diatas nantinya dapat ditentukan berdasarkan rating bobot
diketahui alternatif kandang yang layak maupun ternormalisasi. Persamaan solusi ideal positif dan
tidak layak untuk diberi bibit ayam broiler. Matode solusi ideal negatif dapat dilihat pada Persamaan
ini menggunakan inputan dari metode AHP sebagai 2-6 dan Persamaan 2-7.
bobot prioritas.
1 ,𝑦 1 ,𝑦 1 …𝑦 𝑛 )...................2-6)
2.4 Algoritma Genetika
Algoritma genetika merupakan tipe Evolution
1 ,𝑦 1 ,𝑦 1 …𝑦 𝑛 )...................(2-7) genetika berkembang seiring dengan perkembangan + = Solusi ideal positif/nilai maksimum dari
Algorithm 𝐴 (EA) yang paling populer. Algoritma = (𝑦
𝐴 teknologi informasi yang sangat pesat. Karena matrik ternormalisasi terbobot
kemampuannya untuk menyelesaikan berbagai − = Solusi ideal negatif/nilai minimum dari
𝐴 masalah kompleks, algoritma ini banyak digunakan matrik ternormalisasi terbobot
dalam bidang fisika, biologi, ekonomi, sosiologi dan
4. Menghitung jarak antara nilai setiap alternatif lain-lain yang sering menghadapi masalah optimasi dengan matrik sousi ideal positif dan matrik
yang model matematikanya kompleks atau bahkan solusi ideal negatif.
sulit dibangun (Mahmudy, 2013). Jarak antara alternatif dan solusi ideal negatif
Dalam penyelesaian suatu masalah, algoritma terdapat pada Persamaan 2.9.
genetika memetakan (encoding) suatu masalah Penghitungan jarak antara alternatif dengan
menjadi string kromosom. String kromosom ini solusi ideal positif terdapat pada Persamaan 2.8
tersusun atas sejumlah gen yang menggambarkan
variable-variable keputusan yang digunakan dalam solusi. Representasi string kromosom beserta fungsi
√∑ (𝑦 + −𝑦 𝑖𝑗 ) 𝑗=1 2 𝑖 ..................................(2-8) fitness untuk menilai seberapa bagus sebuah kromosom untuk menjadi solusi yang layak
Keterangan : sehingga dapat dimasukkan ke algoritma genetika
𝐷 (Mahmudy, 2013). 𝑖 = Jarak antara laternatif dengan solusi
Proses dalam algoritma genetika dimulai ideal positif dengan tahap inisialisasi, yaitu menciptakan individu
+ −𝑦 𝑖𝑗 ) √∑ (𝑦 2 𝑗=1 𝑖 = Akar dari jumlah nilai – individu secara acak yang memiliki susunan gen (kromosom) tertentu yang mewakili solusi dari
max dikurangi nilai matrik ternormalisasi permasalahan. Tahap selanjutnya adalah reproduksi terbobot
yang menghasilkan offspring dari individu yang ada Perhitungan jarak antara alternatif dan solusi
dipopulasi. Setelah proses reproduksi dilakukan, ideal negatif terdapat pada Persamaan 2.9.
lahir individu baru yang menyebabkan jumlah
individu bertambah. Setiap kromosom mempunyai 𝑖 = 𝐷 nilai fitness, dimana semakin besar nilai fitnes maka
√∑ (𝑦 + 𝑗=1 𝑖𝑗 −𝑦 2 𝑗 ) .................................(2-9)
semakin baik kromosom tersebut untuk dijadikan calon solusi. Tahap terakhir adalah proses seleksi
yaitu memilih individu dari himpunan populasi dan Keterangan :
offspring yang dipertahankan hidup pada generasi 𝐷 𝑖 = Jarak antara laternatif dengan solusi
berikutnya (Mahmudy, 2013). ideal positif
Setelah melewati sekian iterasi, akan didapatkan individu terbaik. Individu terbaik ini akan mempunyai susunan kromosom yang bisa
Mu’asyaroh & Mahmudy, Impementasi Algoritma Genetika Dalam Optimasi …
dikonversi menjadi solusi yang paling baik atau real (real-coded genetic algorithms). Terdapat mendekati optimum. Dapat disimpulkan bahwa
beberapa tahapan dalam penerapan algoritma algoritma genetika menghasilkan suatu solusi
genetika, yaitu melakukan representasi kromosom, optimum dengan melakukan pencarian di antara
inisialisai, reproduksi yang terdiri dari proses sejumlah alternatif titik optimum berdasarkan fungsi
crossover dan mutasi, evaluasi, lalu yang terakhir probabilistic (Mahmudy, 2013). Flowchart cara
adalah proses seleksi. Berikut ini merupakan kerja algoritma genetika dapat dilihat pada gambar
penjelasan tahapan dalam algoritma genetika.
2.6.1 Representasi Kromosom
Representasi kromosom merupakan proses Start
pengkodean
penyelesaian asli suatu permasalahan. Solusi dari suatu permasalahan harus dipetakan (encoding) menjadi string kromosom.
dari
Pembangkit String kromosom tersusun atas sejumlah gen yang Populasi Awal
menggambarkan variable – variable keputusan yang digunakan dalam solusi(Mahmudy, 2013). Terdapat berbagai cara untuk menentukan representasi
Crossover kromosom, yaitu sebagai berikut (Imbar & Jayanti, 2011):
a. Representasi Biner
Mutasi Representasi yang paling sederhana dan paling umum dimana setiap gen hanya bernilai 0 dan
1, Contoh 1000111, 1000101, 1000100 dan Selesai
seterusnya.
No
b. Representasi Integer
Representasi yang bernilai bilangan bulat. Contoh : 29, 18, 21, 9 dan seterusnya.
c. Representasi Real Code Selesai
Iterasi
Pada penelitian ini, peneliti menggunakan representasi real code karena mewakili ukuran dari masing – masing bahan pakan yang akan
Yes dioptimasi. Representasi yang membutuhkan tingkat ketelitian amat tinggi representasi ini
Start bernilai bilangan real. Contoh : 65.65 – 88.18,
21.89 dan seterusnya.
Gambar 2 1 Flowchart Algoritma Genetika
d. Representasi Permutasi Sumber : Ariwibowo, 2008
Representasi yang digunakan untuk masalah
scheduling, travel salesmen problem, atau Penentuan algoritma genetika merupakan
2.5 Parameter Algoritma Genetika
yang tidak termasuk dari ketiga representasi. pekerjaan yang tidak mudah. Beberapa parameter algoritma genetika adalah
ukuran populasi
2.6.2 Inisialisasi
(popSize), banyaknya generasi, crossover rate (cr),
dilakukan untuk dan mutation rate (mr). Jika nilai parameter
Inisialisasi
membangkitkan himpunan solusi baru secara lagoritma genetika semakin besar, maka hal ini akan
acak/random yang terdiri dari sejumlah string meningkatkan kemampuan eksplorasi algoritma
kromosom dan ditempatkan pada penampungan genetika dalam pencarian solusi terbaik. Namun hal
yang disebut dengan populasi. Dalam tahap ini, ini membuat waktu komputasi berlangsung lama
ukuran populasi (popSize) harus ditentukan. Nilai ini karena kemungkinan algoritma genetika akan
menyatakan jumlah individu/kromosom yang mengekporasi area yang tidak mempunyai nilai
ditampung dalam populasi. Panjang setiap string optimum (Mahmudy, 2013).
kromosom (stringLen) dihitung berdasarkan presisi Tidak adanya metode pasti dalam
variable dari solusi yang dicari (Mahmudy, 2013). penentuan nilai parameter algoritma genetika membuat nilai parameter sangat dipengaruhi oleh
2.6.3 Reproduksi
permasalahan yang akan diselesaikan. Dalam Reproduksi bertujuan untuk menghasilkan penelitian
keturunan dari individu – individu yang ada di genetika, serangkaian pengujian pendahuluan
populasi. Himpunan keturunan ini akan ditempatkan diperlukan untuk mendapatkan kombinasi nilai
offspring. Dua operator parameter yang sesuai(Mahmudy, 2013).
dalam
penampungan
genetika yang digunakan dalam proses ini adalah
2.6 Penerapan Algoritma Genetika
crossover dan mutasi.
Algoritma yang digunakan dalam penelitian
2.6.3.1. Crossover
ini adalah algoritma genetika dengan pengkodean
232 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. 3, No. 4, Desember 2016, hlm. 226-237
Crossover dilakukan dengan cara memilih min j = Range, misalkan [-0,1 , 0,1]. dua induk (parent) secara acak dari populasi. Metode
Misal yang terpilih sebagai induk adalah P2 crossover yang digunakan adalah extended
pada Tabel 2.7, gen yang terpilih nomor 2 (x2) dan r
= -0,0584. Maka akan dihasilkan offspring (C5) menghasilkan offspring dari kombinasi nilai dua
intermediate crossover, yaitu metode yang
sebagai berikut:
induk. Dalam rasio offspring yang dihasilkan proses
C5:
x1 = 8,491 (tetap)
crossover terhadap ukuran populasi sehingga akan x2 = 2,5754 – 0,0584 ( 7,3 – 0,0 ) = 2,1491 dihasilkan offspring sebanyak cr x popSize. Misalkan P1 dan P2 adalah dua kromosom
Anggap ditentukan mr = 0,2 maka ada 0,2 x yang telah diseleksi untuk melakukan crossover,
10 =2 offspring yang dihasilkan dari proses mutasi. maka bisa dibangkitkan offspring C1 dan C2 dengan
Offspring dianggap C6. Keseluruhan offspring yang rumus offspring hasil crossover sebagai berikut
dihasilkan dari proses repreduksi (crossover dan (Mahmudy, 2013) :
mutasi) dapat dilihat pada Tabel 2. C1 = P1 + α (P2 – P1)
Tabel 2. Hasil Offspring C2 = P2 + α (P1 – P2)....................(2-1)
x2 C1, C2 = Child 1, Child 2
Keterangan :
x1
7,0690 22,2048 P1, P2 = Parent 1, Parent 2
0,0000 15,4774 ditentukan. Misal pada interval [ -0,25 ; 1,25]
= Dipilih secara acak pada range yang
C3 7,1636
7,3000 9,3531 Misalkan yang terpilih sebagai induk adalah P4 dan
C4 7,5479
2,1494 31,0389 P9 pada Tabel 2.7, α = [0.1104, 1.2336] maka akan
C5 8,4917
1,7097 12,0177 dihasilkan dua offspring (C1 dan C2) sebagai
C6 -1,1238
Sumber : Mahmudy, 2013 berikut: C1 : x1 = 5,8114 + 0,1104 (9,4374 – 5,8114) =
2.6.4 Evaluasi
6,2118 Evaluasi digunakan untuk menghitung x2 = 5,0779 + 1,2336 ( 6,6919 – 5,0779) =
fitness pada tiap kromosom. Nilai fitness merupakan 7,0690
suatu ukuran kualitas dari tiap kromosom. Semakin C2: x1 = 9,4374 + 0,1104 (5,8114 – 9,4374) =
besar nilai nantinya akan dijadikan calon solusi. 9,0370
Pada kasus dalam pencarian nilai maksimal, seperti x2 = 6,6919 + 1,2336 (5,0779 – 6,6919) =
pada persamaan 2-3(Mahmudy, 2013): 4,700
Fitness = f(x)..................................(2-3) Jika ditentukan cr = 0,4 maka ada 0,4 x 10
Selain pencarian nilai maksimum, fitness = 4 offspring yang dihasilkan dari proses crossover.
juga digunakan dalam pencarian nilai minimum. Setiap crossover akan menghasilkan dua anak, maka
Pada kasus pencarian nilai minimum, nilai fitness terdapat dua kali operasi crossover yang akan
bisa dihitung dengan salah satu dari dua rumus menghasilkan dua offspring berikutnya, yaitu C3 dan
fitness pencarian nilai minimum seperti pada
C4. persamaan 2-6 (Mahmudy, 2013):
2.6.3.2. Mutasi
Fitness =C – f(x)
Fitness = 1/ (f(x))..............................(2-4) operator untuk menjaga keragaman populasi. Mutasi dilakukan dengan memilih satu induk secara acak
Mutasi biasanya
dari populasi. Dalam tahap ini nilai tingkat mutasi Seleksi merupakan tahapan terakhir yang (mutation rate / mr) harus ditentukan untuk
dilakukan untuk memilih individu dari himpunan menyatakan rasio offspring yang dihasilkan dari
populasi dan offspring yang akan dipertahankan proses mutasi terhadap ukuran populasi sehingga
hidup pada generasi berikutnya. Semakin besar nilai akan dihasilkan offspring sebanyak mr x popSize
fitness kromosom, maka semakin besar peluang (Mahmudy, 2013).
kromosom tersebut terpilih. Hal ini dilakukan agar Metode mutasi yang digunakan adalah
terbentuk generasi berikutnya yang lebih baik dari random mutation
generasi sekarang (Mahmudy, 2013). Ada beberapa menambah atau mengurangi nilai gen terpilih
yang dilakukan dengan
metode seleksi yang dapat digunakan, yaitu : dengan bilangan random yang kecil. Misalkan
a. Seleksi Elitism
domain variable x j adalah [min j , max j ] dan offspring Metode seleksi yang digunakan dalam
penelitian ini adalah metode seleksi elitism. Metode offspring bisa dibandingkan dengan rumus gen hasil
yang dihasilkan adalah C=[x ’ 1 ...x’ n ], maka nilai gen
seleksi elitism bekerja dengan cara mengumpulkan mutasi sebagai berikut (Mahmudy, 2013) :
semua individu dalam populasi (parent) dan x‘ i = x’ i + r(max i - min j )...................(2-2)
offspring dalam satu penampungan. Keterangan :
Metode ini melakukan seleksi pada individu x‘ i
= Induk terpilih – individu dalam penampungan berdasarkan nilai
max i = Nilai random terbesar
Individu terbaik dalam penampungan akan lolos untuk masuk dalam
fitness tertinggi.
Mu’asyaroh & Mahmudy, Impementasi Algoritma Genetika Dalam Optimasi …
P4 22,363 menjamin individu yang terbaik akan selalu lolos
generasi berikutnya. Metode seleksi elitism P4
P5 21,309 (Mahmudy, 2013). Pseudocode seleksi elitism
P9
C6 P6 19,656 dideskripsikan seperti pada Gambar 1.
C1 P7 18,931
P5
P8 18,552
PROCEDURE Elitism Selection
C5 P10 17,096 POP : himpunan individu pada populasi
Sumber : Mahmudy, 2013 POP_size : ukuran populasi
b. Roulette Whell
OS : himpunan individu anak (offspring) Metode ini menghitung nilai probabilitas hasil reproduksi menggunakan crossover
seleksi (prob) pada tiap individu berdasarkan nilai dan mutasi
fitness -nya. Nilai
prob akan menghasilkan
Output :
probabilitas kumulatif (probCum) yang digunakan POP : himpunan individu pada populasi
untuk melakukan proses seleksi. Langkah- langkah setelah proses seleksi selesai
membentuk roulette wheel berdasarkan probabilitas /* gabungan individu pada POP dan OS ke
kumulatif (Mahmudy, 2013): dalam TEMP */
Menghitung total fitness keseluruhan dari TEMP <- Merge (POP, OS)
himpunan populasi parent ditambah offspring. /* urutan individu berdasarkan fitness
Misal fitness (Pi) merupakan nilai fitness secara ascending */
individu ke-i. Rumus :
OrderAscending (Temp)
/* copy pop_size individu terbaik ke POP */
𝑓𝑖𝑡𝑛𝑒𝑠𝑠(𝑃 𝑖 ) POP <- CopyBest (Temp, pop_size) .................................(2-5) END PROCEDURE
Menghitung nilai probabilitas seleksi (prob)
tiap individu. Rumus :
Gambar 1. Pseudocode Seleksi Elitism
𝑘 = 𝑡𝑜𝑡𝑎𝑙 𝑓𝑖𝑡𝑛𝑒𝑠𝑠 , i = 1, 2,3.,popSize..(2-6)
Menghitung nilai probabilitas kumulatif tiap Himpunan populasi dan offspring dicari
Sumber : (Mahmudy, 2013)
individu. Rumus :
nilai fitnessnya masing-masing. Nilai fitnessnya 𝑝𝑟𝑜𝑏𝐶𝑢𝑚 𝑖 = ∑ 𝑗=1 𝑝𝑟𝑜𝑏 𝑗 ,
himpunan populasi dan offspring dapat dilihat pada i=1,2,3,.........., popSize.............(2-9) Tabel 3.
Tabel 3. Kumpulan Individu Selanjutnya ketika sudah membentuk Individu
roulette wheel maka individu akan dipilih secara P1
acak berdasarkan nilai probabilitas kumulatif P2
c. Binary Tournament Selection P5
Binary Tournament Selection merupakan P6
metode seleksi dengan melakukan perbandingan P7
individu yang memiliki nilai fitness terbaik dari P8
individu – individu yang terpilih secara acak. P9
Individu yang terpilih tersebut, akan menjadi P10
individu pada generasi selanjutnya. C1 6,2118
Misalkan individu – individu yang terpilih C2 9,0370
secara acak adalah P1 dan P2. P1 mempunyai nilai C3 7,1636
fitness 12,6342 sedangkan P2 memiliki nilai fitness C4 7,5479
13,5345. Metode ini akan membandingkan nilai C5 8,4917
fitness antar P1 dan P2. P2 memiliki nilai fitness C6 -1,1238
lebih baik dari P1 sehingga P2 terpilih menjadi Sumber: Mahmudy, 2013
individu pada generasi selanjutnya. Metode seleksi elitism memilih nilai fitness
d. Replacement selection
yang terbesar berdasarkan jumlah popSize, sehingga
kumpulan individu yang tertahan hidup pada Metode ini merupakan metode seleksi generasi berikutnya dapat dilihat pada Tabel 4.
dimana offspring menggantikan parent jika nilai fitness offspring lebih besar dari nilai fitness parent.
Tabel 4. Individu Hasil Seleksi Elitism Metode ini memiliki aturan berdasarkan cara Asal pada P(t)
reproduksinya (Mahmudy, 2013): P1
P(t+1)
Fitness
Pada Proses mutasi, offspring akan
P1
menggantikan induknya jika mempunyai nilai P3
C3 P2
P3
234 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. 3, No. 4, Desember 2016, hlm. 226-237
fitness offspring lebih baik dari fitness
3.3 Algoritma yang Digunakan
induknya. Penelitian ini menggunakan algoritma Pada proses crossover, offspring dihasilkan
genetika, seperti yang sudah dijelaskan pada Bab 2 dari dua induk. Offspring akan menggantikan
bahwa algoritma ini sudah dapat menyelesaikan induk yang lemah dengan nilai fitness offspring
beberapa permasalah seperti optimasi komposisi lebih baik dari nilai fitness induk yang
pakan sapi potong dan lain sebagainya(Kusuma, et terlemah. Induk yang terlemah merupakan
al., 2015). Algoritma genetika merupakan tipe induk yang mempunyai nilai fitness terburuk
algoritma evolusi yang paling populer. Implementasi dari dua induk yang menghasilkan offspring
algoritma ini akan menggunakan bahasa Java karena tersebut.
program yang dikembangkan adalah program berbasis dekstop.
2.7 Akurasi
Akurasi adalah seberapa dekat suatu angka
4. PERANCANGAN
hasil pengukuran terhadap angka sebenarnya (true
menjelaskan tentang value atau reference value). Dalam penelitian ini
Bagian
ini
akurasi diaknosa dihitung dari jumlah diaknosa yang permasalahan yang akan diselesaikan dalam peneltian ini. Permasalahan dalam penelitian ini
tepat dibagi dengan jumlah data. Tingkat akurasi diperoleh dengan perhitungan sesuai dengan
adalah bagaimana menentukan kelayakan kandang peternak untuk dapat diisi bibit ayam broiler. Dalam
persamaan 2-11 (Adityo, 2013).
proses penentuan kelayakan kandang peternak 𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =
∑ 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 ..............(2-11) terdapat 6 kriteria yang digunakan sebagai standar kelayakan kandang ayam broiler:
3. METODOLOGI PENELITIAN
a. Riwayat peternak
3.1 Tahapan Penelitian
Status peternak menjadi sangat penting apakah
peternak pernah mengalami kegagalan yang Dalam melakukan penelitian ini terdapat
sering, selalu berhasil atau masih pemula. beberapa tahapan-tahapan yang dilakukan, hal
b. Tinggi kandang
tersebut akan dijelaskan pada Gambar 2. Tinggi kandang merupakan kriteria pendukung dari kelayakan kandang tersebut, apakah sesuai
dengan standart atau tidak. Semakin tinggi kandang tersebut semakin bagus.
c. Kekuatan kandang
Kandang tersebut masih kokoh ataukah sudah Studi Literatur
hampir rusak atau bahan kandang tersebut sudah lapuk.
d. Sirkulasi udara(kelembapan) Sirkulasi udara ini mempengaruhi kelembapan, semakin lembab kandang tersebut semakin
Analisis Kebutuhan
Perancangan Sistem tidak bagus bagi bibit ayam broiler.
e. Jarak antar kandang
Jarak antara kandang minimal terpisah selebar Implementasi Sistem
1 kandang ayam, semakin terpisah jauh semakin bagus.
f. Keamanan
Pengujian
Keamanan menjadi penting karena dalam peternakan ayam sering terdapat kejahatan
Gambar 2. Tahapan - tahapan penelitian dalam pencurian ayam broiler. Misalkan sudah diketahui riwayat peternak
3.2 Teknik Pengumpulan Data
berdasarkan range yang di tentukan (range peternak Pengumpulan data dilakukan dengan
1-5). Langkah selanjutnya adalah penilaian terhadap penelitian tentang kelayakan kandang. Sistem ini tinggi kandang, kekuatan kandang, sirkulasi udara digunakan untuk memberikan alternatif dalam pada kandang, jarak antar kandang, dan tingkat membantu
keamanan kandang.
Pengumpulan data pada penelitian ini menggunakan Tabel 4. Contoh Penilaian Bobot Kriteria data primer. Data primer adalah data yang ID A B C D E F didapatkan langsung dari sumber penelitian.
3.00 3.00 3.00 5.00 1.00 3.00 Pengumpulan data primer dapat dilakukan
AC1
menggunakan wawancara, kuisioner maupun
5.00 3.00 5.00 5.00 3.00 3.00 observasi.
AC2
AC3
AC4
Keterangan :
Mu’asyaroh & Mahmudy, Impementasi Algoritma Genetika Dalam Optimasi …
A : Riwayat Peternak
B : Tinggi Kandang
Uji Coba Ukuran Populasi
C : Kekuatan Kandang
D : Kelembapan
E : Jarak Antar Kandang
ss 0.7350
F : Keamanan
it ID 0.7300 : Identitas pemilik kandang f
a ta 0.7200
5. PENGUJIAN DAN PEMBAHASAN
-r
ta 0.7150
Terdapat tiga pengujian yang dilakukan dalam
Ra 0.7100
pengujian ini yaitu pengujian yang akan dilihat dari
hasil nilai fitness paling optimal, sehingga dapat
ditemukan parameter terbaik yang digunakan untuk
5 25 45 65 85 105 optimasi metode AHP dalam penentuan pengisian
Populasi
bibit kandang ayam broiler.
Proses pengujian dilakukan dengan melakukan Gambar 3. Grafik hasil uji coba ukuran populasi tiga pengujian yaitu pengujian ukuran populasi,
banyaknya generasi, dan kombinasi cr dan mr.
5.2. Pengujian dan Analisis Banyaknya Generasi
Pengujian banyaknya generasi dilakukan
5.1. Pengujian dan Analisis Ukuran Populasi
untuk menentukan banyaknya generasi yang dapat Pengujian ukuran populasi digunakan untuk
mengasilkan solusi terbaik dalam kasus ini. Pada menentukan ukuran populasi yang terbaik untuk
pengujian banyaknya generasi ini, digunakan ukuran menghasilkan solusi terbaik dalam kasus ini. Berikut
populasi 105 yang dianggap dapat menghasilkan adalah parameter yang akan digunakan dalam
nilai fitness paling optimal. Untuk lebih detailnya pengujian.
mengenai parameter yang digunakan pada uji coba
a. Ukuran populasi
b. Banyaknya generasi : 10
banyaknya generasi adalah sebagai berikut:
a. Ukuran populasi
c. Crossover Rate
b. Banyaknya generasi
d. Mutation Rate
= 0.5 Pengujian dilakukan sebanyak sepuluh kali
c. Crossover Rate
= 0.1 untuk
d. Mutation Rate
kemampuan algoritma secara utuh. Fitness terbaik Berdasarkan grafik hasil uji coba pada pada setiap percobaan dihitung rata-ratanya untuk
Gambar 4, dapat dilihat rata-rata fitness mengalami mengetahui ukuran populasi paling optimal. Hasil
peningkatan dari generasi 40 menuju generasi 100. pengujian menunjukkan semakin besar ukuran
Rata-rata fitness yang dihasilkan generasi diatas 115 populasi maka fitness yang dihasilkan cenderung
cenderung stabil karena perubahan rata-rata fitness semakin baik
yang tidak begitu besar. Hal ini menunjukkan bahwa Berdasarkan grafik hasil uji coba pada
generasi sebanyak 100 adalah generasi yang paling Gambar 3, ditunjukkan bahwa semakin besar ukuran
optimal. Semakin banyak generasi maka semakin populasi, maka rata – rata fitness yang dihasilkan besar waktu komputasi, namun belum tentu
cenderung meningkat. Pada grafik tersebut, dapat menghasilkan solusi yang lebih baik (Mahmudy, dilihat rata – rata fitness dari ukuran populasi 5
menuju ukuran 85 mengalami peningkatan,
selanjutnya pada ukuran populasi diatas 105
Uji Coba Banyaknya Generasi
cenderung stabil. Hal ini menunjukkan bahwa
ukuran populasi 105 adalah ukuran populasi yang
optimal. Perubahan yang tidak begitu besar ini
e ss
n 0.7500
terjadi karena anak yang dihasilkan pada proses
it 0.7400 f
reprodukasi mirip dengan induknya(Mahmudy,
a ta 2013). 0.7300
-r
ta 0.7200 ra 0.7100
Gambar 4. Grafik hasil uji coba banyaknya generasi
236 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. 3, No. 4, Desember 2016, hlm. 226-237
5.3. Pengujian dan Analisis Kombinasi Cr dan
Setelah melakukan serangkaian uji coba,
algoritma genetika dianggap mampu untuk Pengujian crossover rate (cr) dan mutation rate
Mr
menyelesaikan optimasi metode AHP dalam (mr) dilakukan untuk mengetahui kombinasi cr dan
menentukan kelayakan kandang untuk pemberian mr terbaik yang dapat menghasilkan fitness paling
bibit ayam broiler. Peternak dan petugas lapang optimal. Nilai cr dan mr yabf digunakan antara 0
peternakan ayam broiler dapat menggunakan sampai 0.6 dan keduanya jika dijumlahkan menjadi
rekomendasi ini untuk mengetahui tingkat kelayakan
0.6. Pengujian cr dan mr juga menggunakan hasil kandang ayam, sehingga dapat mengurangi kerugian pengujian sebelumnya yaitu hasil pengujian jumlah
dalam beternak ayam broiler. populasi dan generasi yang menghasilkan nilai fitness paling optimal. Untuk lebih detailnya
6. PENUTUP
mengenai parameter yang digunakan dalam uji coba Berdasarkan hasil uji coba parameter algoritma kombinasi cr dan mr adalah sebagai berikut :
genetika pada permasalahan optimasi metode AHP dalam penentuan kelayakan kandang ayam broiler,
a. Ukuran populasi : 105 terdapat beberapa kesimpulan :
1. Metode AHP dapat diterapkan dalam penentuan kelayakan bibit ayam broiler Berdasarkan Grafik hasil pengujian pada
b. Banyaknya generasi
pada kandang peternak dengan akurasi Gambar 5, rata-rata fitness yang dihasilkan sangat
yang didapat yaitu 63.0 %. beragam.
2. Algoritma genetika dapat menyelesaikan permasalahan optimasi metode AHP dalam
menentukan kelayakan kandang ayam 0.7600
Uji Coba Kombinasi cr dan mr
broiler . Disini dapat dilihat dari sistem yang dapat menghasilkan nilai akurasi lebih
0.7500 tinggi dari penelitian sebelumnya.
e ss
n 0.7400
Parameter terbaik dengan rata-rata nilai
it f
fitness paling optimal yang didapatkan dari ta 0.7300
hasil pengujian adalah sebagai berikut :
a -r
- Jumlah populasi : 105 ta 0.7200
- Banyaknya generasi : 115
ra
0.7100 - Crossover Rate : 0.5
- Mutation Rate
3. Pengukuran solusi dari permasalahan
0 0,1 0,2 0,3 0,4 0,5 0,6 optimasi metode AHP ini dilakukan dengan perhitungan nilai fitness yang diperoleh
0,6 0,5 0,4 0,3 0,2 0,1 0 dari hasil akurasi metode AHP dengan menggunakan bobot yang didapat dari
inisialisasi kromosom. Gambar 5. Grafik hasil uji coba kombinasi cr dan mr
cr dan mr
Penelitian ini dapat dikembangkan untuk dipengaruhi oleh kombinasi nilai parameter yang
Permasalahan yang
ingin
diselesaikan
menyelesaikan masalah optimasil metode AHP, tepat(Mahmudy, 2013). Kombinasi cr dan mr yang
dengan menggunakan mengembangkan metode dihasilkan pada setiap kasus akan menunjukkan
AHP seperti fuzzy AHP dan lain sebagainya. Selain hasil yang berbeda tergantung permasalahan yang
itu penggunaan metode crossover, mutasi dan akan diselesaikan. Hal ini disebabkan tidak adanya
seleksi yang berbeda juga dapat mempengruhi hasil suatu ketepatan nilai kombinasi cr dan mr yang
nilai fitness yang berbeda pada setiap individu. dapat digunakan untuk menghasilkan soluasi
7. DAFTAR PUSTAKA
optimal.
5.4. Solusi Terbaik yang Pernah Didapat
A dityo, P., 2013. Implementasi Metode AHP untuk Dalam penelitian optimasi menggunakan
algoritma genetika,
Aplikasi Rekomendasi Peringkat Kinerja pendahuuan
serangkaian
pengujian
Guru Pada SMA NEGERI I MAOSPATI. kombinasi nilai parameter yang sesuai(Mahmudy,
Malang: Tugas Akhir Ilmu Komputer 2013). Pada penelitian ini , didapatkan beberapa
Universitas Brawijaya. parameter terbaik dengan rata-rata fitness paling
Arnold, A., 2011. Penerapan Algoritma Genetika optimal, yaitu ukuan populasi = 105, banyaknya
generasi = 115, crossover rate = 0.5, dan mutation Pada Penentuan Komposisi Pakan Ayam rate = 0.1. Nilai fitness yang dihasilkan dari
Indonesia: Universitas Pelita parameter tersebut adalah 0,75218.
Petelur.
Harapan.
Mu’asyaroh & Mahmudy, Impementasi Algoritma Genetika Dalam Optimasi …
237
Bahari, Mustadjab, M. M., Hanani, N. & Nugroho, Dengan Metode Forward Chaining Berbasis
Semarang: Sekolah Tinggi Ayam Broiler. p. 109.
B. A., 2012. Analisis contract Farming Usaha
Multiuser.
Elektronik dan Komputer (STEKOM). Imadudin, 2001.
Rasyaf & Cahyono, 2004. Pengelolahan Peternakan Perusahaan Inti-Rakyat (PIR) Usaa peternak
Analisis Kemitraan
Pola
Unggas Pedaging. Jakarta: Kanisius. Ayam Ras Pedaging. Bogor: Jurusan Sosial
Rasyaf, M., 2003. Peternak Ayam Petelur. Depok: Ekonomi
Industri Peternakan Institite PT. Penebar Swadaya. Pertanian Bogor.
Restuputri, B. A., Mahmudy, W. F. & Cholissodin, Imbar, V. & Jayanti, 2011. Implementasi Algoritma
I., 2014. Optimasi Fungsi Keanggotaan Genetika
Fuzzy Tsukamoto Dua Tahap Menggunakan Dengan Studi Kasus Pada SMP X. Bandung:
Pada Aplikasi
Penjadwalan
Algoritma Genetika Pada Pemilihan Calon Seminar Teknik Informatika dan Sistem
Penerima Beasiswa dan BBP-PPA (Studi Informasi, Fakultas Teknologi Informasi,
Universitas Brawijaya Universitas Kristen Maranatha.
Kasus:
PTIIK
Mahasiswa PTIIK Indra, B. Y., 2013. Sistem Pendukung Keputusan
Malang).
Jurnal
Universitas Brawijaya, Volume 5, p. 2. Penentuan Kelayakan Pengisian Bibit Ayam
Saaty, T. & Vargas, L., 2006. Decision Making With Broiler Dikandang Peternak Menggunakan
The Analytic Network Process. United State Metode AHP dan TOPSIS. Malang: Program
of America: springer.
Teknologi Informasi dan Ilmu Komputer. Sholikin, H., 2011. Manajemen Pemeliharaan Ayam
Universitas Brawijaya. Broiler di Peternakan UD Hadi PS
Juliyanti, I. M. & I, M., 2011. Pemilihan Guru Kecamatan Nguter Kabupaten Sukoharjo. p. Berprestasi Menggunakan Metode AHP dan
01.
TOPSIS. Yogyakarta, Prosding Seminar Yunus, R., 2009. Analisis Efisiensi Usaha Pternakan NAsional
Ayam Ras Pedaging Pola Kemitraan dan Penerapan
Mandiri di Kota Palu Provinsi Sulawesi Yogyakarta. Tengah. Semarang: Program PAscasarjana
Kusuma, J. I., Mahmudy, W. F. & Indriati, 2015. Universitas Diponegoro. Optimasi Komposisi Pakan Sapi Potong
Menggunakan Algoritma Genetika. Jurnal
Mahasiswa PTIIK Universitas Brawijaya, p.
7. Lestari, S., 2011. Seleksi Penerimaan Calon
Karyawan Menggunakan Metode TOPSIS. Bali: Konferensi Nasional Sistem dan Informatika .