Optimasi Komposisi Pakan Ternak Sapi Menggunakan Algoritme Genetika - Simulated Annealing

• simulated
• simulated annealing

  i untuk i mendapatkan i hasil i yang i lebih i baik.

  Dari i pengujian i yang i telah i dilakukan i ternyata i semakin i kecil i nilai i

  

popsize

  i dan i iterasi, i semakin i besar i nilai i

  tn

  i dan i

  t0

  i maka i semakin i besar i kemungkinan i algoritme i genetikaa i

  simulated i annealing

  i untuk i mendapatkan i hasil i yang i lebih i baik i daripada i algoritme i genetika i saja, i sebaliknya i semakin i besar i nilai i

  popsize

  i dan i iterasi, i semakin i kecil i nilai tn i dan i

  t0

  i maka i semakin i kecil i pula i kemungkinan algoritme genetikaa i

   i annealing

  Kata i kunci:

  yang i mampu i bertahan i menghadapi i lokal i optimum i dan i proses i pencarian i yang i dikendalikan i oleh i suhu i untuk i digunakan i dalam i menutupi i kekurangan i algoritme i genetika i tersebut. i

  i

  optimasi, algoritme genetika, simulated annealing

Abstract

  Beef i consumption i in Indonesia i keeps increasing,

i

but i the i increase i has i not i been i balanced i with i the i addition i of i an i adequate i production. i

  The i rate i of

i

population i increase i beef i cattle i is i relatively i slow, i

  4.23% i in

   i The i productivity i of i the i livestock i affected i by i the i feed i factors, i management i and i breeding. The i problem i often i encountered i breeders i is i the i availability i of i feed, i which i feed i given i to i livestock i contain i nutrients that i are i low i so i will

i

affect i the i availability i of i feed i and i digestibility i of i nutrients i that i impact i low i produkt i ivitas i cattle. i

  Based i on i cases i occurs, i then i the i system i is i built i on i this i research i is i

  "beef i cattle i feed i composition optimization i using i genetic i algorithm i and i simulated i annealing". i

  Methods i used i in i beef i cattle i feed i composition i optimization i on i this i system i using i a i genetic i algorithm i and i simulated i annealing. i

  

The

i purpose i of i merging i algorithm i and i genetic i simulated i annealing i

  (SA) i is i to i make i use i of i the

i

advantages i of simulated i annealing i that i are i able i to i survive i are i facing i local i optimum i and i

the

i search i process i which i is i controlled i by i the i temperature i to i be i used i in i cover i lack i of i genetic i algorithms. i

  The i results i of i the i testing i that i has i been i done i progressively i smaller i values i popsize

i

and i iterations, i the i greater i the i value i of i tn i and i t0 i then i the i more i likely genetic algorithm and simulated annealing to get i better i results i than i the i algorithm i

  Genetics i alone, i otherwise i the i larger i value i of i popsize i and i iterations, i the i smaller i value i of i tn i and i t0 i the i small possibility of genetic algorithm i and simulated annealing i for getting better i results. , genetic algorithm , simulated i annealing

  Keyword : optimazion,Genetic Algorithm, Simulated annealing

  Hasil i

   i

  1

  (SA) adalah i untuk i memanfaatkan i kelebihan simulated annealing

  1 , Nurul Hidayat

  2 , Ratih Kartika Dewi

  3 Program Studi

  i Teknik Informatika, Fakultas

  i

  Ilmu

  i

  Komputer,

  i

  Universitas

  i

  Brawijaya Email:

  blue.speed3181@gmail.com,

  Vol. 3, No. 1, Januari 2019, hlm. 8161-8169 http://j-ptiik.ub.ac.id

  2

  ntayadih@ub.ac.id,

  3

  ratihkartikad@ub.ac.id

  

Abstrak

  Konsumsi daging sapi di Indonesia terus mengalami peningkatan, namun peningkatan tersebut i belum diimbangi dengan i penambahan produksi yang memadai. Laju peningkatan populasi sapi i potong relatif lamban, yaitu 4,23% pada i tahun 2007. Produktivitas ternak i dipengaruhi oleh faktor pakan, manajemen dan pembibitan. i

  Permasalahan i yang i sering i dihadapi i peternak i adalah i ketersediaan i pakan, i yang i mana i pakan i yang i diberikan i pada i ternak i memiliki i kandungan i nutrisi i yang i rendah i sehingga i akan i mempengaruhi i kecernaan i pakan i dan i ketersediaan i nutrisi i yang i berdampak i pada i rendahnya i produktivitas i ternak. i

  Berdasarkan i kasus i yang i terjadi, i maka i sistem i yang i dibangun i pada i penelitian i ini i adalah i

  “optimasi i komposisi i pakan i ternak i sapi i menggunakan i algoritme i genetikaa i

  annealing ”.

  i Metode i yang i digunakan i dalam i optimasi i komposisi i pakan i ternak i sapi i pada i sistem i ini i menggunakan i algoritme i genetikaa i - simulated annealing . i

  Tujuan i penggabungan algoritme genetikaa i

   i

  

Optimasi Komposisi Pakan Ternak Sapi Menggunakan Algoritme

Genetika - Simulated Annealing

Akhmad Syururi

• i
• simulated

i 2007.

  Fakultas i Ilmu i Komputer Universitas i Brawijaya i

8161

1. PENDAHULUAN

• i

  Anggarsari i dengan i judul i optimasi i kebutuhan i gizi i untuk i balita i menggunakan i

  Fitri i

  hybrid

  i algoritme i genetikaa i

  Untuk memenuhi kebutuhan nutrisi i ransum i seperti i yang i dijelaskan i sebelumnya, i adapun i informasi i pada i

  Tahap pertama adalah penyusunan ransum hal penting yang perlu dipenuhi dalam proses penyusunan ransum adalah kandungan nutrisi yang harus terkandung didalam pakan tersebut.

  4. i PERHITUNGAN i KEBUTUHAN i RANSUM

  (Mahmudy, i 2014).

  “Optimasi i komposisi i pakan i ternak i sapi i menggunakan i algoritme i genetikaa i

  simulated i annealing ”.

  i Sistem i menyediakan i masukan i berupa i data i tentang i jenis i sapi, i kebutuhan i gizi, i dan i daftar i makanan i yang i kemudian i akan i diproses i dengan i algoritme i genetikaa i - i

  simulated i annealing

  i hingga i menghasilkan i keluaran i berupa i komposisi i makanan i dengan i gizi i terbaik i dan i harga i terendah.

i 2007).

  2. ALGORITME i GENETIKA

  Algoritme genetika adalah salah i satu algoritme i dengan i teknik pencarian i heuristik berdasarkan i mekanisme evolusi biologis. i

  Pada i umumnya, i algoritme i genetika i digunakan i untuk i pemecahan i masalah i yang i kompleks i

  (Hartati, i 2011).

  3. SIMULATED i

  ANNEALING Simulated annealing adalah algoritme optimasi yang mempunyai sifat generik.

i 2011).

  Dengan berbasis mekanika statistic dan probabilitas, algoritme ini mempunyai kelebihan dalam pencarian pendekatan suatu permasalahan dengan solusi optimum global dan melalui proses annealing (pendinginan). i

  Pada i umumnya, suatu masalah yang i membutuhkan i algoritme i

i 2008).

  dan i simulated i annealing

  i yaitu i penelitian i yang i dilakukan i oleh i

  Kandungan i nutrisi i yang i rendah i akan mempengaruhi kecernaan pakan i dan ketersediaan i nutrisi i sehingga produktivitas ternak i juga i rendah i

  Konsumsi daging sapi di i

  Indonesia i terus i mengalami peningkatan. i

  Namun i peningkatan i tersebut i belum i diimbangi i dengan i penambahan produksi yang i memadai. i

  Laju i peningkatan i populasi sapi potong relatif i lamban, i yaitu i 4,23% i pada i tahun i 2007 i

  (Direktorat i

  Jenderal i

  Peternakan

  i Produktivitas ternak dipengaruhi oleh i faktor i pakan, manajemen dan pembibitan. i

  Permasalahan i yang i sering i dihadapi i peternak i adalah i ketersediaan i pakan, i yang i mana i pakan yang diberikan i pada ternak memiliki kandungan nutrisi i yang rendah. Sebagai i contoh adalah i limbah i hasil i samping i pertanian, industri i pertanian i dan i pangan. i

  Limbah pertanian i berasal i dari i limbah i tanaman i pangan seperti i jerami i jagung, i jerami i padi i dan i lain-lain. i

  (Wahyono,

  i adalah optimasi kombinatorial, i seperti halnya i tidak i memungkinkan i solusi i optimum i untuk i sebuah permasalahan dalam i ruang i pencarian i solusi yang i begitu kompleks i

  i Oleh karena i itu i dibutuhkan i sistem i cerdas i yang i bisa memudahkan i peternak

   i

  maupun i masyarakat awam i dalam i melakukan i optmasi i pakan i ternak sapi.

  Permasalahan i optimasi i bahan i pakan i sapi i perah i dapat i diselesaikan i dengan i algoritme i genetika, i hal i itu i dikarenakan i algoritme i genetika i memiliki i kelebihan i dalam i menghasilkan i

  output

  i yang i optimal i dengan i tetap i memperhatikan i faktor i nutrisi i dan i biaya. i

  Penggunaan i konsep i evolusi i biologi i akan i menghasilkan i suatu i

  output

  i berupa i komposisi i bahan i pakan i yang i sebaiknya i dikonsumsi i untuk i memenuhi i kebutuhan i nutrisi i

  (Aribowo,

  i Salah i satu i penelitian i yang i menggunakan i algortitma i genetika i

  simulated i annealing

• i

  i sistem i yang i dibangun i pada i penelitian i ini i adalah i

  simulated i annealing i sehingga

  Berdasarkan i kasus i dan i penelitian i terakhir i yang i telah i dijelaskan i sebelumnya, i maka i pada i penelitian i ini i proses i optimasi i menggunakan i metode i algoritme i genetikaa i

  i dapat i digunakan i untuk i menentukan i komposisi i makanan i yang i sesuai i untuk i kebutuhan i gizi i balita.

  Tabel i

  1 dapat i membantu i dalam penyusunan ransum i dan i pada i

  Tabel i

  2 informasi mengenai macam-macam komposisi bahan pakan sapi beserta kandungan nutrisi dan harganya..

• i
• i

Tabel i 1. i Kebutuhan i Nutrisi

  simulated i annealing

  simulated i annealing ,

  i dari i penelitian i tersebut i dihasilkan i kesimpulan i bahwa i algoritme i genetikaa i

  i i i i

  Tabel

  3. Jumlah Pakan Berbobot

  Saat penyusunan ransum untuk proses i i menggemukkan sapi dibagi dua yaitu pakan i i i i i tambahan (konsentrat) dan pakan hijauan. i i

  Masing-masing bagian tersebut memiliki rasio i i i i i sekitar 40:60. Pengukuruan ini berdasarkan i kemampuan sapi dalam mengkonsumsi jumlah i i i i

  Tabel

2. Komposisi Bahan Pakan

  i i i i pakan berdasarkan bobot sapi tersebut. Hal i i i i yang dapat dilihat pada Tabel 3.

   i i i

  5. Siklus Algoritme Genetika

  i i i Pada tahap kedua adalah menyelesaikan permasalahan optimasi komposisi pakan sapi i i i potong. Adapun tahap-tahapnya akan i i i i i i dijelaskan pada Gambar

  1. Parameter yang

• i
• 7,80)

  (7,80

  i

  =

  i

  9,00

  i

  0,25

  i

  i

  i

  i i

  =

  i

  8,70

  i x2 i = i 1,64 i + i 0,40 i (1,16 i - i 1,64) i = i 1,44 i

  x3

  i

  x1

  :

  i

  (2,18

  i

  =

  i

  1,73

  i

  0,51

  i

  i

  i

  1,73)

  i

  =

  i

  1,96

  i x4 i = i 2,31 i + i 0,92 i (2,18 i - i 2,31) i = i 2,19

  C2

  =

  2,18

  i x2 i = i 1,16 i + i 0,40 i (1,64 i - i 1,16) i = i 1,35 i

  39,681 .82

  Fitnes s R.Ker ing

  Gapl ek Tete s

  D.Ha lus

  i Padi

  P1 7,80 1,16 1,73 2,31 34,811 .11

  i

  0,287 26460 262 P2 9,00 1,64 2,18 2,18

  i

  5. Crossover Par ent

  0,252 00458 190 C1 8,10 1,35 1,96 2,19

  28,603 .56 i 0,349 60684

  290 C2 8,70 1,44 1,95 2,30 30,201 .08 i

  0,331 11402 714

  Tabel i

  6. Mutasi Parent Kromosom Har ga

  Penal ty Fitness

  Kromosom Harga Pena lty

  i

  i

  i

  0,51

  i

  (1,73

  i

  2,18)

  i

  =

  1,95

  Tabel

  i x4 i = i 2,18 i + i 0,92 i (2,31- i 2,18) i i = i 2,30 Metode mutasi yang digunakan pada kasus i ini i yaitu i

  random i mutation.

  i Proses mutasi ini

  i

  akan menghasilkan offspring (anak) dengan i cara i menambah i ataupun i mengurangi i nilai i gen i yang i terpilih i dengan i bilangan i random . i proses i mutasi dapat dilihat pada i

  Pada i

  Tabel i

  6 i contoh i perhitungan i proses i mutasi i ddengan i induk i yang i terpilih i adalah i P2.

  x3

  8,10

  i terbaik. i

  fitness

  i sedangkan i proses i mutasi i menggunakan i metode i

  extended i intermediate i crossover

  dilakukan i dengan i metode i

  crossover i

  Proses i

  dan i proses i mutasi. i

  crossover i

  2 i proses i yaitu i

  Proses i selanjutnya i adalah i proses i reproduksi i dimana i didalam i proses i ini i terdapat i

  Tahap i ini i juga i menentukan i panjang i setiap i kromosom i dengan i membangkitkan i bilangan i acak i antara i 1-10. i

  i

  i (child) i sebagai i perbandingan i untuk i mencari i nilai i

  Metode crossover yang digunakan dalam perhitungan ini yaitu extended intermediate..

  offspring

  berfungsi i sebagai i penghasil i

  mutation i rate i

  dan i

  Crossover i rate i

  i digunakan i meliputi:

  population size

  ,

  crossover rate

  i dan mutation rate i

  (nilai i yang i menyatakan i rasio i

  offspring

  random i mutation .

  i

  offspring .) Gambar

  x1

  =

  i

  i

  (9,00

  i

  0,25

  i

  7,80

  i

  =

  i

  i

  Proses crossover akan menghasilkan i

  :

  i

  C1

  : i i i i i

  Keterangan i

  P2 i adalah i sebagai i berikut.

  P1 i dan i

  Contoh i perhitungan i proses i crossover i dengan i induk i yang i terpilih i adalah i

  Tabel i 5. i

  Proses crossover ditunjukkan pada i

  dari i hasil kombinasi nilai i dua i induk i yang i terpilih i secara i acak.

  offspring i

  i yang i dihasilkan i dari i proses i mutasi i terhadap i ukuran i populasi i sehingga i akan i dihasilkan i

• i
• i

i 1.

• i
• 9,00)
• i
• i

  fitness

  Fungsi i dari i nilai i

  Tahap i inisialisasi i adalah i tahap i untuk i membangkitkan i populasi i awal i sebanyak i jumlah i populasi i yang i sudah i ditentukan i sebelumnya. Popsize bertujuan i untuk i menyatakan i jumlah i individu i yang i mampu i ditampung i dalam i 1 i populasi. i

  Tabel

  i untuk i setiap i individu i yang i dapat i dilihat i pada i

  fitness

  Maka i didapatkan i nilai i

  i sendiri i adalah i untuk i mengetahui i seberapa i baik i suatu i individu i tersebut i dijadikan i sebagai i solusi. menghitung i nilai i fitness . i

  fitness

  i nya. i

  Setiap i individu i akan i dihitung i

  i

  Flowchart

  i

  Algoritme

  i

  Genetika Tabel i 4. i Nilai i Fitness

  Parent Kromosom Fitness

  R.Kering Gaplek Tetes D.Halus

  i Padi

  P1 7,80 1,16 1,73 2,31 0,28726460262 P2 9,00 1,64 2,18 2,18 0,25200458190 P3 7,20 1,60 1,60 1,60 0,31645569620 P4 9,00 2,00 2,00 2,00 0,25316455696 P5 6,60 1,10 1,10 2,20 0,33670033670 P6 6,60 1,47 1,96 0,98 0,35115099493 P7 6,60 0,73 1,47 2,20 0,33670033670

i 4.

• i
• – i

  simulated i annealing .

  1,60 i

  1,60 i 31,650.

  22 i 0.000 0000

  00 i

  0.315953 537 6. i

  Simulated i annealing

  Pada tahap ketiga ini akan menjelaskan terkait proses penyelesaian permasalahan menggunakan Simulated annealing. i Proses i algoritme simulated annealing dijalankan i setelah proses seleksi i pada algoritme genetika i selesai dilakukan. Kromosom yang i telah i melalui i seleksi i pada algoritme genetika i dengan i nilai fitness i tertinggi digunakan i sebagai i inisialisasi i solusi i awal i pada i algoritme i

  i langkah-langkah i penyelesaian i algoritme i

  0.000 0000 00 i 0.260958

  simulated i annealing

  i sebagai i berikut.

  Proses i

  Simulated i annealing

  i akan i dimulai i ketika i proses i algoritme i genetika i selesai i dilakukan. i

  Pada i proses i ini i dibutuhkan i tiga i parameter i yaitu i temperatur i awal i

  (T ), i temperatur i akhir i

  i 1,62 i

  25 i

  n

  00 i 0.000 0000 00 i

  0,98 i 28,477.

  78 i 0.000 0000

  00 i

  0.351150 995 P7 6,60 i

  0,73 i

  1,47 i

  2,20 i 29,700.

  0.336700 337 C1 8,16 i

  2,33 i 38,320.

  1,33 i

  1,94 i

  2,17 i 36,173.

  01 i

  0.000 0000 00 i 0.276449

  235 C2

  8,64 i 1,46 i

  1,97 i

  (T

  ) i dan i alpha i

i 7.

  1,47 i

  Dari i

  Neighboorhood Individu Rendeng

  i Kering

  Gaplek Tetes

  D. i Padi

  i Halus

  P6 6,60 1,47 1,96 0,98 C4 6,60 1,47 1,50 0,98

  i yang i dihasilkan i telah i didapatkan i nilai i

  offspring

  Tabel

  fitness

  i sebesar i 0,34492. i

  Selanjutnya i akan i dilakukan i proses i perhitungan i selisih i antar i p6 i dengan i c4. i

  Jika i

  ∆E

  i lebih i dari i atau i sama i dengan i i maka i individu i baru i dianggap i individu i terbaik i tetapi

  i 8. i

  Tabel i 8.

  ( α). T i

  annealing Kemudian akan dilakukan proses

  = i

  0,1 T

  n i =

  i 0,9

  α i

  = i

  0,7 Dari inisialisasi parameter Simulated

  inisialisasi individu awal yang diambil dari individu terbaik i yang i dihasilkan i oleh i proses i algoritme i genetika. Dari hasil seleksi i yang i dilakukan diperoleh i

  P6 i dapat i dilihat i pada i

  P6 i sebagai individu i terbaik. i

  Selanjutnya i akan i dipilih i salah satu i gen i dari i

  P6 i untuk i diubah i nilainya i secara i

  random

  i yang i akan i menghasilkan i

  offspring

  i baru. i

  Proses i neighborhood i yang i dilakukan i dari i individu i

  1,96 i

  0.336700 337 P6 6,60 i

  R.Ker ing Gaple k

  i

  2

  i

  0,73)

  i i i i i = i 1,620089333 i

  x3

  i

  =

  1,6

  (0,01586)*(

  i

  (tetap)

  i x4 i = i 1,6 i (tetap) Proses i evaluasi i dilakukan i setelah i tahap i

  crossover i

  dan i mutasi i telah i selesai i dilakukan. i

  Proses i evaluasi i bertujuan i untuk i menghitung i nilai i

  fitness

  i

  i

  Berikut i ini i adalah i

  50.2

  Tet es D.Hal us

  i

  Padi P3 7,20 1,60 1,6 1,60

  31,6

  00.0 0,31645 569620 C3 7,2

  1,620 ,089, 333 1,6 1,6

  31,6

  2 0,31595 353672

  1,6

  Keterangan i

  :

  C3 i : i x1 i = i 7,2 i (tetap)

  i

  x2

  i

  =

  i

  i dari i setiap i kromosom. i

  Tabel i

  00 i

  0.000 0000 00 i 0.316455

  0.287264 603 P2 9,00 1,64 2,18 2,18 39,681.

  82 i

  0.000 0000 00 i 0.252004

  582 P3 7,20 i 1,60 i

  1,60 i

  1,60 i 31,600.

  00 i

  696 P4 9,00 i 2,00 i

  P1 7,80 1,16 1,73 2,31 34,811.

  2,00 i

  2,00 i 39,500.

  00 i 0.000 0000 00 i

  0.253164 557 P5 6,60 i

  1,10 i

  1,10 i

  2,20 i 29,700.

  00 i 0.000 0000

  11 i 0.000 0000 00 i

  Gap lek Tetes Deda k i Halu s i Padi

  7 i hasil i perhitungan i dalam i mencari i nilai i

  Seleksi i

  fitness

  i pada i seluruh i individu.

  Seleksi i dilakukan i untuk i memilih i individu i dan offspring yang berada dalam himpunan i populasi untuk dipertahankan i hidup i pada i generasi i berikutnya. i

  Metode i seleksi i yang i digunakan adalah elitism , i metode i seleksi i ini i bekerja dengan menggabungkan i semua i individu dalam populasi i

  (parent) i dan i

  offspring i

  dalam i satu penampungan. i

  elitism

  Fitness Rendeng i Kering

  i dilakukan dengan i memilih fitness paling i tinggi, i sejumlah dengan jumlah populasi i awal. i

  Individu i yang i mempunyai i nilai i

  fitness

  i tinggi i akan i terpilih i menjadi populasi i baru i digenerasi i selanjutnya.

  Tabel

  i

  Evaluasi Pare nt

  Kromosom Harga Penal ty

62 C3 7,20

• 0,00623 Proses

  11 i dan i

  i nya i dan i seterusnya i hingga i iterasi i

  = i 10. i

  Hasil i

  Pengujian i ditunjukkan i oleh Tabel i

  9, i

  Tabel i

  10, i

  Tabel i

  Gambar i 2.

  10 i kali i kemudian i diambil i rata-rata nilai i

  Tabel

  i 9. i

  Pengujian

  i

  Algoritme

  i

  (C4) i dianggap i sebagai i individu i terbaik.

  i maka i individu i

  fitness

  2 i dilakukan i pengujian i sebanyak i

  popsize

  20, i

  30, i

  40 i dan i

  50, i sedangkan i untuk i setiap i jumlah i populasi i akan i dilakukan i pengujian i dengan i set i iterasi i sebanyak i 1-10, i untuk i setiap i jumlah i iterasi i akan i dilakukan i pengujian i

  10 i kali. i kemudian i diambil i nilai i rata-rata i nya.

  8. i Pengujian i Dengan i Popsize i

  10 Pengujian

  i yang i pertama i

• i

  Nilai i

  = i

  i di i set i dengan i nilai i

  10 i dan iterasi i di i set i dengan nilai i

  1-10 i dimana i setiap i jumlah i iterasi akan i dilakukan i pengujian i

  10 i kali kemudian i diambil i nilai rata-rata i nya, i misal untuk i iterasi i

  = i

  1 i dilakukan i pengujian i sebanyak i

  10 i kali i kemudian i diambil i rata-rata i nilai i

  fitness

  i nya, i setelah i itu i dilakukan i pengujian i untuk i iterasi i

  random

  i lebih i dari i

  Alpha

  ∆E

  neighborhood

  (T n ) i maka i proses i akan i kembali i ke i proses i

  i bernilai i kurang i dari i nilai i random i maka i akan i masuk i ke i proses i perhitungan i temperatur i baru, i jika i temperatur i baru i lebih i dari i atau i sama i dengan i temperatur i akhir i

  boltzman

  Jika i probabilitas i

  i dengan i angka i random . i

  boltzmann

  i bernilai i kurang i dari i 0, i maka i proses i akan i dilanjutkan i dengan i melakukan i proses i perbandingan i antara i probabilitas i

  i ini i terjadi i apabila i

  boltzmaan

  = i

  ∆E i

  ∆E i = i 0,34492 i - i 0.35115

  = i f(C4)f(P6)

  ∆E i

  i kurang i dari i i maka i proses i akan i masuk i ke i perhitungan i boltzmann .

  ∆E

  i jika i

  Genetika Tabel

  i tetapi i jika i probabilitas i

  i bernilai i lebih i dari i nilai i

  boltzmaan

  = i

  T Karena i probabilitas i

  α i

  T i = i

  Temperatur i

  0,8 i

  i = i

  random

  1,06428 Nilai i

  (-(-0,00623)/0,1) i

  random

  = i exp i

  ) i

  (-(- ∆E)/T

  i = i exp i

  boltzmann

  Probabilitas i

  i dianggap i sebagai i individu i terbaik i dan i proses i berhenti.

  offspring

  i maka i

  i = i 0,9 Pada i pengujian ini parameter yang i menjadi i pembeda adalah i jumlah populasi, i jumlah i populasi i akan i di i set i dengan i nilai i 10, i

7. PENGUJIAN

  Tn

  i

  i yang i dihasilkan i justru i lebih i buruk. Oleh karena itu parameter i yang digunakan untuk mendapatkan i

  fitness

  i ataukah i

  annealing

  i yang i dihasilkan i akan i lebih i baik i setelah i algoritme i genetika dioptimasi i dengan Algoritme genetika - Simulated

  fitness

  Pengujian i dilakukan i untuk i mengetahui i apakah i

  i 10. i

  Pengujian

  i

  Simulated i annealing

  Tabel

  i 11. i

  Rata-rata

  Fitness

  i = i

  i

  GA

  i

  dan

  i

  SA Iterasi Rata-Rata

  i

  Fitness

  i

  GA Rata-Rata

  i

  Fitness

  i GA-

  SA 1 0,3065 0,3198 2 0,3126 0,3162 3 0,2981 0,3172 4 0,3034 0,3213

  fitness

  i algoritme genetika i

• fitness Algoritme

  i Genetika i yang i dioptimasi menggunakan i

  0,2

  i = i

  0,2 i

  Random i cross i over

  i = i

  0,1-0,9

  Random i mutation

  Crossover i rate

  i = i

  0,1-0,9, i

  T0 i

  = i

  0,9

  0,1

  i = i

  Parameter i sebagai i berikut.

  simulated i annealing

  Jenis i bahan i pakan i yang diinputkan i dalam i setiap proses pengujian adalah i rendeng i kering, i dedak i halus i padi, i dedak i jagung i dan i dedak i gandum. i

  0,75 i kg

  I : i

  Penambahan i bobot i berat i badan perhari i

  300 i kg

  : i

  Jantan Berat i bedan i i

  Sapi i

  : i

  Jenis i sapi i potong i i

  Pengujian i ini i dilakukan i dengan i masukan i sebagai i berikut.

  i dari i keduanya. i

  fitness

  i akan i selalu i diset i dengan i nilai i yang i sama i sehinggan i bisa i dibandingkan i hasil i

  Mutation i rate

  5 0,2961 0,3260 6 0,2923 0,3172 7 0,3246 0,3185 8 0,3152 0,3171 9 0,3177 0,3189 10 0,3201 0,3223

  i 13. i

  i

  Rata-rata

  i 14. i

  Tabel

  Simulated i annealing

  i

  Pengujian

  50 i keduanya menghasilkan i kombinasi i pakan i dengan i harga i yang i murah i dan i nutrisi i yang i baik i dalam i artian i nutrisi i melebihi i kebutuhan i sapi.

  i

  0,2700 0,2800 0,2900 0,3000 0,3100 0,3200 0,3300 0,3400

  Gambar i 2. i Rata-rata i Grafik i Fitness i GA i dan i SA

  1

  2

  3

  4

  5

  Fitness

  GA

  7

  Bisa i diambil i kesimpulan i bahwa i untuk i jumlah i populasi i

  i yang i cukup i tinggi i yang i berarti i dengan i

  fitness

  i besar menghasilkan optimasi i yang i lebih i buruk i daripada i algoritme i genetika i saja, i selain i itu i keduanya i memiliki i

  Simulated annealing sebagian

  Genetika i dengan

  Algoritme i

  = i 30. i

  GA- SA 1 0,3240 0,3248 2 0,3254 0,3277 3 0,3277 0,3294 4 0,3255 0,3306 5 0,3274 0,3334 6 0,3051 0,3177 7 0,3251 0,3295 8 0,2999 0,3286 9 0,3180 0,3314 10 0,3177 0,3357

  i

  i

  Fitness

  i

  Rata-Rata

  i Fitness i GA

  SA Iterasi Rata-Rata

  i

  dan

  6

  8 9 1 0

i 10.

  i

  popsize

  30 i keduanya i menghasilkan i kombinasi i pakan i dengan i harga i yang i murah i dan i nutrisi i yang i baik i dalam i artian nutrisi melebihi i kebutuhan i sapi.

  i

  popsize

  i yang i cukup i tinggi i yang i berarti i dengan i

  fitness

  10 i keduanya i menghasilkan i kombinasi i pakan i dengan i harga i yang i murah i dan i nutrisi i yang i baik i dalam i artian i nutrisi i melebihi i kebutuhan i sapi. genetika i saja, i selain i itu i keduanya i memiliki i

  i

  i yang i cukup i tinggi i yang i berarti i dengan i

  i yang i pertama i

  fitness

  i selalu i menghasilkan i optimasi i yang i lebih i baik i daripada i algoritme i genetika i saja, i selain i itu i keduanya i memiliki i

  simulated i annealing

  i algoritme i genetika i dengan i

  =

  Bisa i diambil i kesimpulan i bahwa i untuk i jumlah i populasi i

  9. i Pengujian i Dengan i Popsize i

50 Pengujian

  i di i set i dengan i nilai i

  popsize

i 1-10.

  = i

  i Hasil i

  =

  i dan i seterusnya i hingga i iterasi i

  fitness nya

  10 i kali i kemudian i diambil i rata-rata i nilai i

  2 i dilakukan i pengujian i sebanyak i

  i setelah i itu i dilakukan i pengujian i untuk i iterasi i

  ITERASI F I T N E S S P O P U L A S I = 1 0

  fitness nya,

  10 i kali i kemudian i diambil i rata-rata i nilai i

  1 i dilakukan i pengujian i sebanyak i

  = i

  10 i kali i kemudian i diambil i nilai i rata-rata i nya, i misal i untuk i iterasi i

  i setiap i jumlah i iterasi i akan i dilakukan i pengujian i

  50 i dan i iterasi i di i set i dengan i nilai

  popsize

i 10.

  Genetika Tabel

  i

  i

  Pengujian

  i 12. i

  Tabel

  Gambar i 3.

  14 i dan i

  Tabel i

  13, i

  Tabel i

  12, i

  Tabel i

  Pengujian i ditunjukkan i oleh i

  Algoritme

  Amalia i Kartika. i 2017. i

  Koperasi i

  i Fakultas i

  Ilmu i Komputer. i

  Universitas i Brawijaya. i Malang.

  Ardina, i

  Shelly i Puspa. i 2017. i

  Optimasi i

  Jumlah i

  Pinjaman i

  Menggunakan i

  Algoritme i genetikaa i

  Fuzzy i

  Tsukamoto i

  Dengan i

  Algoritme i Genetika .

  i Fakultas i

  Ilmu i Komputer. i

  Universitas i Brawijaya. i Malang.

  Aryani, i

  simulated i annealing .

  Hybrid i

  Hibridisasi i

  Menggunakan i

  i

  lebih

  i

  baik

  i

  dari

  i

  algoritme

  i

  genetika

  i saja.

  11. DAFTAR i PUSTAKA

  Anggarsari, i Fitri. i 2017. i

  Optimasi i

  Kebutuhan i

  Gizi i untuk i

  Balita i

• - i

i 3.

• - i

  simulated i annealing i untuk i

  Algoritme i genetikaa i

  Fitness

  Sebagaimana dari hasil perancangan i sistem, i implementasi i sistem dan pengujian i serta i analisis i sistem i yang i telah i dilaksanakan i pada i tahapan i sebelumnya, sehingga dapat i ditarik i kesimpulan i sebagai i berikut:

  SA 10. KESIMPULAN

  i

  dan

  i

  GA

  i

  i

  6

  Grafik

  i

  Rata-rata

  i

  Gambar

  7

  8 9 1 0

  ITERASI F I T N E S S P O P U L A S I = 1 0

  i

  5

  i

  Kasus: i

  Optimasi i

  Multi-Trip i

  Vehicle i

  Routing i

  Problem i with i

  Time i

  Windows i

  (Studi i

  Pariwisata i

  4

  Kabupaten i Banyuwangi) .

  i Fakultas i

  Ilmu i Komputer. i

  Universitas i Brawijaya. i Malang.

  0,2800 0,2900 0,3000 0,3100 0,3200 0,3300 0,3400

  1

  2

  3

  yang

• Algoritme genetikaa
• simulated

  yang

  Toto i Wibowo. i 2009. i

  i

  sapi

  i

  penggemukkan

  i

  Efendi, i

  Mahbub i

  Zaeni, i

  Retno i

  Novi i

  Dayawati, i

  Agung i

  SISTEM i

  i

  PENJADWALAN i

  KULIAH i

  ITTELKOM i

  DENGAN i

  HYBRID i

  ALGORITME i

  GENETIKA i

  SIMULATED i

  ANNEALING i (GA-SA).

  i Fakultas i

  Teknik i Informatika. i

  Universitas i Telkom.

  potong dengan

  menggunakan representasi kromosom

  i

  metode i elitism

  i

  komposisi pakan dengan nutrisi yang baik dan harga yang rendah,

  i

  menghasilkan output yang baik yaitu

  i

  sudah

  i

  sebenarnya

  i

  genetika

  i

  i selection .

  i

  i

  dengan

  i

  penyeleksian

  i

  serta

  i

  random i mutation

  i

  extended i intermediate , menggunakan

  i

  metode

  i

  secara real code ,

  Fakhiroh, i Dorrotul. i 2017. i

  Optimasi i

  Komposisi i

• Algoritme

  Sam i Ratulangi. i

  TERNAK i

  SAPI i

  POTONG i

  DI i

  KECAMATAN i

  BOLANGITANG i

  TIMURKABUPATEN i

  BOLAANG i

  MONGONDOW i UTARA.

  i Fakultas i Peternakan. i

  Universitas i

  Manado Suryana. i 2009. i

  PENGEMBANGAN i

  PENGEMBANGAN i

  USAHA i TERNAK i SAPI i POTONG i

  BERORIENTASI i

  AGRIBISNIS i

  DENGAN i

  POLA i KEMITRAAN.

  pakan untuk

  i

  optimasi

  i

  permasalah

  i

  i annealing dapat diterapkan pada

  USAHA i

  Otoluwa, i Moh. i Andri. i 2016. i

  PROSPEK i

  LEMAK i

  Sapi i

  Perah i

  Menggunakan i

  Algoritme i Genetika .

  i Fakultas i

  Ilmu i Komputer. i

  Universitas i Brawijaya. i