OPTIMASI TEBAR BENIH DAN PAKAN PADA SUATU KOLAM

MENGGUNAKAN ALGORITMA EVOLUTION STRATEGIES

Robby Kurniawan

Mahasiswa Program Studi Teknik Informatika, FT UMRAH

Nerfita Nikentari, ST., M.Cs

Dosen Program Studi Teknik Informatika, FT UMRAH

Hendra Kurniawan, S.Kom., M.Sc.Eng

Dosen Program Studi Teknik Informatika, FT UMRAH

ABSTRAK

Dalam rangka meningkatkan produksi sumberdaya perikanan yang termasuk salah satu

didalamnya adalah usaha budidaya ikan lele yang bertujuan untuk meningkatkan pendapatan

masyarakat sekitar. Permasalahan yang terjadi adalah bagaimana meningkatkan usaha budidaya ikan

lele untuk penebaran bibit ikan lele dan pemberian pakan ikan lele yang optimal. Sebagian besar

petani kurang memperhatikan dan memperhitungkan berapa jumlah bibit dan pakan yang sesuai pada

masing-masing kolamnya, sehingga hasil panen yang diperoleh tidak maksimal. Sebagai solusi dari

permasalahan tersebut, maka diperlukan sebuah metode optimasi yang digunakan untuk

mengoptimalkan tebar benih dan pakan ikan lele pada masing-masing kolam yang ada. Dalam

penelitian ini menggunakan algoritma Evolution Strategies (ES) Tipe proses ES yang digunakan

adalah ( + ) sehingga proses elitism selection melibatkan parent dan offspring. Solusi optimal

diperoleh dari ukuran populasi sebanyak 25, ukuran offspring 6, sigma 3, jumlah generasi 20 dalam

percobaan ke 1 dan jumlah generasi 50 dalam percobaan ke 4 memperoleh nilai fitness tertinggi yaitu

1. Hasil akhir berupa nilai tebar benih dan pakan pada masing-masing kolam yang ada.

Kata kunci : Evolution Strategies, Tebar Benih dan Pakan

ABSTRACT

In order to increase the production of fishery resources including one in it is catfish farming

that aims to increase the income of the surrounding community. The problem that occurs is how to

increase the catfish farming catfish fingerlings for seeding and feeding catfish are optimal. Most

farmers less attention and calculate how much seed and feed as appropriate in each pond, so the

yields are not optimal. As a solution to these problems, it is necessary an optimization method is used

to optimize seeding and catfish feed on each of the existing pond. In this study, using algorithms

Evolution Strategies (ES) ES Process type used is ( + ) so that elitism selection process involves

parent and offspring. The optimal solution is derived from the size of the population of 25 offspring

size 6, 3 sigma, the number of generations 20 in experiment 1 and number 50 in the generation of

experiments to 4 earns highest fitness value is 1. The final results of value seeding and feed on each

existing pond.

Keywords: Evolution Strategies, Seeding and Feed

I. PENDAHULUAN

1.1. Latar Belakang Sumber daya perikanan

merupakan salah satu asset nasional yang

harus dikelola dengan baik karena

memiliki peran penting sebagai penghasil

pendapatan daerah maupun sebagai

penghasil protein bagi masyarakat. Dalam

rangka meningkatkan produksi

sumberdaya perikanan yang termasuk

salah satu didalamnya adalah usaha

budidaya ikan lele yang bertujuan untuk

meningkatkan pendapatan masyarakat

sekitar. Permasalahan yang terjadi adalah

bagaimana meningkatkan usaha budidaya

ikan lele untuk penebaran bibit ikan lele

dan pemberian pakan ikan lele yang

optimal.

Sebagian besar petani kurang

memperhatikan dan memperhitungkan

berapa jumlah bibit dan pakan yang sesuai

pada masing-masing kolamnya, sehingga

hasil panen yang diperoleh tidak

maksimal. Sebagai solusi dari

permasalahan tersebut, maka diperlukan

sebuah metode optimasi yang digunakan

untuk mengoptimalkan tebar benih dan

pakan ikan lele pada masing-masing

kolam yang ada. Pada penelitian ini

metode optimasi menggunakan Algoritma

Evolution Strategies (ES).

Sebelumnya terdapat penelitian

yang membahas optimasi komposisi pakan

ternak sapi potong yang menggunakan

Algoritma ES yang dilakukan oleh Milah

(2015) menunjukkan bahwa Algoritma ES

dapat digunakan untuk menyelesaikan

permasalahan optimasi komposisi pakan

ternak sapi potong.

ES dan Algoritma Genetika (GA)

merupakan bagian dari algoritma evolusi.

Algoritma evolusi sendiri merupakan

teknik optimasi yang meniru proses

evolusi biologi. Menurut teori evolusi

terdapat sejumlah individu dalam populasi.

Individu-individu ini akan berperan

sebagai induk (parent) yang akan

melakukan reproduksi dan menghasilkan

keturunan (offspring). Individu-individu

ini akan berevolusi dan individu-individu

yang lebih baik mempunyai peluang yang

lebih besar untuk melewati seleksi alam

(Mahmudy, 2013). Penelitian ini bertujuan

untuk mengoptimalkan tebar benih dan

pakan pada suatu kolam menggunakan

algoritma evolution strategies.

1.2. Rumusan Masalah Berdasarkan uraian latar belakang di atas,

maka dapat dirumuskan permasalahan

penelitian yakni Bagaimana mengetahui

tebar benih dan pakan yang optimal pada

suatu kolam dengan menggunakan

Algoritma ES.

1.3. Batasan Masalah Adapun batasan masalah dalam penelitian

ini adalah :

1. Variabel yang digunakan adalah jumlah tebar benih dan pemberia pakan pada

masing-masing kolam.

2. Penilitian ini dilakukan di Sei. Carang, Kel. Air Raja, Tanjungpinang.

1.4. Tujuan Adapun tujuan dilakukannya penelitian ini

adalah untuk mengoptimalkan tebar benih

dan pemberian pakan pada suatu kolam

menggunakan Algoritma ES.

II. KAJIAN LITERATUR

2.1. Ikan Lele Budidaya ikan lele melibatkan beberapa

variabel yang dibutuhkan (Alamtani,

2013) diantaranya :

1. Benih Ikan Lele yang Akan Ditebarkan Tingkat kesuksesan budidaya

ikan lele sangat ditentukan oleh kualitas

benih yang ditebar. Benih yang akan

digunakan dalam budidaya ikan lele

hendaklah dari jenis benih unggul. Ciri-

ciri benih yang sehat adalah gerakannya

lincah, tidak terdapat cacat atau luka

dipermukaan tubuhnya, bebas dari bibit

penyakit dan gerakan renangnya normal.

Untuk menguji gerakan renangnya, coba

tempatkan ikan pada arus air, jika ikan

tersebut menantang arah arus air berarti

gerakan renangnya normal.

2. Pakan Pakan merupakan komponen

biaya terbesar dalam budidaya ikan lele.

Ada banyak sekali merek dan ragam

pakan di pasaran. Pakan ikan lele yang

baik adalah pakan yang menawarkan

Food Convertion Ratio (FCR) lebih kecil

dari satu. FCR adalah rasio jumlah pakan

berbanding pertumbuhan daging.

Semakin kecil nilai FCR, semakin baik

kualitas pakan. Pakan yang baik harus

mengandung nutrisi yang diperlukan oleh

ikan lele. Sebagai ikan karnivora, pakan

ikan lele harus banyak mengandung

protein hewani. Secara umum kandungan

nutrisi yang dibutuhkan ikan lele adalah

protein (minimal 30%), lemak (4-16%),

karbohidrat (15-20%), vitamin dan

mineral. Pakan harus diberikan sesuai

dengan kebutuhan. Misalnya diasumsikan

benih lele akan dipanenkan dalam waktu

2 2,5 bulan. Benih lele dapat

dipanenkan apabila lele per kilo nya berisi

7 10 ekor. 1 kg daging lele ketika

dipanen berisi 10 ekor lele (lebih bagus

lagi jika hanya berisi 7 8 ekor lele saja).

Jika dari 10.000 lele yang dipanen kan

maka akan didapatkan daging lele

sebanyak 1.000 kg (1 ton). Jadi, untuk

menghasilkan panen hingga 10.000 ikan

lele yang akan menghasilkan 1.000 kg

daging ikan lele membutuhkan pakan

sebanyak 1.000 kg (1 ton). Didapatkan

margin eror sebanyak 20 %, yang artinya

tidak akan memanen sebanyak 1.000 kg

daging ikan lele, tetapi hanya akan

memanen 800 kg daging ikan lele

(Paramita, 2013). Jadwal pemberian

pakan sebaiknya disesuaikan dengan

nafsu makan ikan. Frekuensinya 4-5 kali

sehari. Frekuensi pemberian pakan pada

ikan yang masih kecil harus lebih sering.

Waktu pemberian pakan bisa pagi, siang,

sore dan malam hari. Harus diingat, ikan

lele merupakan hewan nokturnal, aktif

pada malam hari. Pertimbangkan

pemberian makan lebih banyak pada sore

dan malam hari. Pakan diberikan dengan

ditebar. Si pemberi pakan harus jeli

melihat reaksi ikan. Berikan pakan saat

ikan lele agresif menyantap pakan dan

berhenti apabila ikan sudah terlihat malas

untuk menyantapnya.

3. Luas Kolam Pembudidayaan Ikan Lele Tidak ada patokan luasan yang

disarankan untuk kolam budidaya ikan

lele. Namun lebih baik tidak terlalu luas,

sehingga lebih mudah dikontrol, misalnya

ukuran 23 atau 34 m dengan

kedalaman kolam 0,75-1,5 m. Pengisian

air kolam untuk pembenihan ikan lele,

hendaknya dilakukan secara bertahap.

Pada tahap awal isi kolam dengan

kedalaman 20-30 cm. Hal ini mengingat

benih ikan masih sangat kecil. Setelah

benih membesar tambahkan kedalaman

air kolam secara bertahap, sesuaikan

dengan ukuran benih ikan. Ketinggian air

yang ideal untuk budidaya ikan lele

adalah 100-120 cm.

2.2. Evolution Strategies Prosedur umum dalam ES dapat dinyatakan

dengan istilah (,). Di mana adalah jumlah

solusi awal atau populasi awal, sedangkan

merupakan jumlah solusi yang dihasilkan dari

generasi awal (offspring).

Karena ES lebih mengandalkan

mutasi, maka proses rekombinasi tidak selalu

digunakan. Secara umum terdapat empat tipe

proses dari ES, yaitu :

(,)

(/r, )

( + )

(/r + ) ES (,) tidak menggunakan

rekombinasi dalam proses reproduksi. Seleksi

menggunakan elitism selection hanya

melibatkan individu dalam offspring, individu

induk / parent dalam populasi tidak dilibatkan.

ES (/r,) serupa dengan ES (,) dengan

tambahan melibatkan proses rekombinasi. ES

(+) tidak menggunakan rekombinasi dan

proses seleksi menggunakan elitism selection

melibatkan individu offspring dan induk /

parent (Mahmudy, 2013).

Apabila P(t) dan C(t) merupakan

populasi (parents) dan offspring pada generasi

ke-t maka siklus ES dapat dideskripsikan

sebagai berikut pada Gambar 1.

Gambar 1 Procedure ES

Siklus penyelesaian masalah dengan

menggunakan algoritma ES adalah sebagai

berikut:

a. Representasi Kromosom Kromosom tersusun dari sejumlah gen

yang merepresentasikan variabel - variabel

solusi (Lange, 2007). Pada algoritma ES,

representasi kromosom disertai dengan fungsi

fitness yang menyatakan kebaikan dari solusi,

dan sigma (strategy parameter) yang

menyatakan level mutasi.

Ada beberapa bentuk representasi

kromosom, seperti representasi biner, integer,

real, dan permutasi. Representasi permutasi

telah sukses diterapkan pada berbagai masalah

kombinatorial seperti Travelling Salesperson

Problem, perencanaan dan penjadwalan

produksi industri manufaktur (Mahmudy,

2013). Pada penelitian ini menggunakan

representasi permutasi. Gambar 2 merupakan

contoh representasi permutasi.

Gambar 2 Representasi Permutasi

b. Genotype (Gen) Sebuah nilai yang menyatakan satuan

dasar yang membentuk suatu arti tertentu

dalam satu kesatuan gen yang dinamakan

kromosom. Dalam algoritma genetika, gen ini

bisa berupa nilai biner, float, integer maupun

karakter, atau kombinatorial. (Santoso, 2015).

c. Kromosom Gabungan gen-gen yang memiliki

nilai tertentu. (Santoso, 2015).

d. Individu Menyatakan satu nilai atau keadaan

yang menyatakan salah satu solusi yang

mungkin dari permasalahan yang diangkat.

(Santoso, 2015).

e. Populasi Merupakan sekumpulan individu yang

akan diproses bersama dalam satu siklus

proses evolusi. (Santoso, 2015).

f. Inisialisasi Tahap inisialisai ini bertujuan untuk

membangkitkan himpunan solusi baru secara

acak yang terdiri dari sejumlah string

kromosom dan ditempatkan pada

penampungan yang disebut dengan populasi.

Pada tahap ini miu () yang menyatakan

ukuran populasi harus ditentukan. Panjang

string kromosom (stringLen) dihitung

berdasarkan presisi variable dan solusi yang

dicari (Mahmudy, 2013).

g. Reproduksi Proses reproduksi merupakan suatu

proses dalam algoritma ES untuk membentuk

suatu individu baru. Reproduksi pada ES ( +

) hanya menggunakan proses mutasi. Proses

mutasi yang digunakan pada penelitian ini

adalah exchange mutation.

Metode mutasi exchange mutation

bekerja dengan dua posisi (excanghe point /

XP) secara random, kemudian menukarkan

nilai pada posisi tersebut (Mahmudy, 2013).

Proses mutasi dengan metode exchange

mutation dijelaskan pada Gambar 3.

Gambar 3 Proses Exchange Mutation

Pada algoritma ES individu yang

dibangkitkan disertai dengan nilai sigma yang

menyatakan level mutasi. Mekanisme self

adaptation yang digunakan untuk mengontrol

nilai sigma (strategy parameters)

menggunakan aturan 1/5, dimana nilai /

sigma (strategy parameters) dinaikkan jika

terdapat paling sedikit 1/5 atau 20% hasil

mutasi yang menghasilkan individu yang lebih

baik dari induknya / parent, jika tidak maka

nilai diturunkan. Nilai dinaikkan dengan

mengalikan dengan 1,1 dan diturunkan

dengan mengalikan dengan 0,9. (Mahmudy,

2013). Aturan 1/5 ditunjukkan pada Persamaan

1 (Beyer, 2002).

=

(1)

/, if Ps > 1/5

, , if Ps < 1/5

, if Ps = 1/5

Jika jumlah generasi lebih besar dari

30, maka nilai / sigma yang

direkombinasikan antara 0.85 1 (Beyer,

2002).

Offspring () yang dihasilkan pada

proses algoritma ES diperoleh dari perkalian

populasi awal () dengan suatu constanta

dalam rentang nilai [0, 10], seperti yang

ditunjukkan pada Persamaan 2.2 (Mahmudy,

2013).

= C * (2)

h. Seleksi Proses seleksi merupakan proses

terakhir dalam satu generasi, dimana pada

proses ini sistem menghasilkan populasi baru

yang akan bereproduksi pada generasi

berikutnya. Proses ES yang digunakan dalam

penelitian ini adalah (+), sehingga proses

seleksi melibatkan baik individu parent

maupun individu dalam offspring. Metode

yang digunakan adalah elitism selection,

dimana memilih individu dengan nilai fitness

terbaik sebanyak populasi yang ditentukan

sebelumnya (Vista, 2015).

i. Fitness Fungsi fitness merupakan ukuran

untuk kondisi dari kromosom yang

mengekspresikan kemungkinan suatu

kromosom akan tetap hidup dalam

generasinya. Kromosom dipilih untuk

diseleksi dan memperoleh generasi baru.

Semakin besar nilai fitness-nya maka semakin

baik pula solusi yang didapatkan dari individu

tersebut dan akan mempunyai kesempatan

dipertahankan untuk menghasilkan generasi

selanjutnya (Endarwati, 2014). Untuk

permasalahan meminimalkan fungsi

(minimasi) maka fitness yang dapat digunakan,

yakni :

Fitness = 1 / f(x) . (3)

2.3. Kondisi Berhenti Pemilihan syarat berhenti yang paling

tepat sangat bergantung pada tingkat

kerumitan masalah dan perangkat keras yang

digunakan. Untuk sebuah kasus mungkin

sekali syarat berhenti yang paling cocok

adalah batas nilai fungsi fitness (seperti halnya

pada kasus dalam penelitian ini), tetapi belum

tentu syarat berhenti ini bisa diterapkan untuk

kasus lainnya. Syarat berhenti yang biasanya

dipakai adalah banyak generasi. Namun

demikian, tidak menutup kemungkinan untuk

dipilih kombinasi beberapa syarat berhenti

(Zukhri, 2013).

Setelah proses seleksi dijalankan dan

menghasilkan parent baru di dalam populasi,

maka akan dilakukan pengecekan kondisi

berhenti. Kondisi berhenti standar yang biasa

digunakan adalah (Beyer & Schwefel, 2002) :

1. Batas maksimum iterasi / generasi telah tercapai.

2. Telah melewati batas waktu pemrosesan. 3. Terjadi konvergensi pada nilai fitness

yaitu nilai fitness tidak mengalami

perubahan yang signifikan atau bahkan

tidak mengalami perubahan sama sekali.

III. METODE PENELITIAN Dalam penelitian ini metode yang

digunakan dalam pengembangan sistem

adalah model Waterfall atau yang biasa

disebut metode air terjun. Metode ini

dipilih karena pengembangan sistem

dilakukan tahap demi tahap, dimulai dari

tahap analisa hingga terakhir tahap testing

dan maintenance. Model Waterfall

menurut Pressman.

IV. PERANCANGAN DAN IMPLEMENTASI

A. PERANCANGAN Langkah-langkah optimasi tebar benih

dan pakan dengan evolution strategies

ditunjukkan pada Gambar 4.1.

Gambar 4 Diagram Alir Penyelesaian

Optimasi Tebar Benih dan Pakan dengan

ES

B. IMPLEMENTASI Implementasi optimasi tebar benih dan

pakan pada kolam ikan lele sebagai berikut :

Gambar 5 Form Utama

Gambar 6 Form Data Kolam

Gambar 7 Form Data Pakan

Gambar 8 Form Data Benih

Gambar 9 Form Proses ES

V. HASIL DAN PEMBAHASAN Analisa yang dilakukan pada bab ini

adalah bagaimana cara mengoptimalkan tebar

benih dan pakan pada suatu kolam

menggunakan algoritma evolution strategies

dengan 2 uji coba. Uji coba 1 yaitu pengaruh

kombinasi ukuran miu / parent dan ukuran

offspring (lamda) dilakukan pada generasi

100. Ukuran jumlah populasi yang digunakan

adalah 5.10, 20, 30, 40, 50. Sedangkan untuk

ukuran jumlah offspring adalah

1,2,3,4,5,6,7,8,9, dan 10 sedangkan nilai sigma

yang dilakukan pada uji coba ini adalah 2.

A. Hasil dan Analisa Uji Coba Populasi dan

Offspring

Tabel 1 Hasil Uji Coba 1 Ukur

an

Offsp

ring

Ukuran Populasi Rat

a-

rata 5 10 20 30 40 50

1 0,2 0,3

33

0,3

33

0,3

33

0,3

33

0,3

33

0,3

108

2 0,3

33

0,2

5

0,2

5

0,3

33

0,5 0,3

33

0,3

332

3 0,2

5

0,2

5

0,2

5

0,3

33

0,3

33

0,5 0,3

193

4 0,5 0,2

5

0,5 0,3

33

0,3

33

0,3

33

0,3

748

5 0,2 0,3

33

0,3

33

0,2

5

0,3

33

0,5 0,3

248

6 0,3

33

0,3

33

0,3

33

0,3

33

0,5 0,5 0,3

887

7 0,5 0,2

5

0,3

33

0,5 0,3

33

0,3

3

0,3

743

8 0,3

33

0,2

5

0,2

5

0,5 0,5 0,5 0,3

883

9 0,2

5

0,2

5

0,3

33

0,3

33

0,3

33

0,3

33 0,3

053

10 0,2

5

0,2

5

0,5 0,5 0,5 0,3

33 0,3

888

Rata-

rata

0,3

149 0,2

749

0,3

415

0,3

748 0,3

998

0,3

995

-----

----

Pada tabel 1 ditunjukkan bahwa nilai

fitness terbesar dihasilkan oleh pengujian

dengan ukuran populasi 40 dengan nilai fitness

rata-rata 0.3998 dan yang terkecil adalah

ukuran populasi 10 dengan nilai fitness rata-

rata 0.2749. Dan ditunjukkan juga bahwa nilai

fitness rata-rata terbesar dihasilkan oleh

pengujian dengan ukuran offspring 10 dengan

nilai fitness rata-rata 0.3888 dan yang terkecil

adalah ukuran offspring 9 dengan nilai fitness

rata-rata 0.3053.

Gambar 10 Grafik Perbandingan Ukuran

Populasi Terhadap Nilai Fitness

Gambar 10 menunjukkan hasil

perbandingan ukuran populasi terhadap nilai

rata-rata fitness terjadi penurunan pada ukuran

populasi 10 dan cenderung naik setelah ukuran

populasi 20 hingga 50. Hal ini menunjukkan

bahwa semakin bertambah ukuran populasi

tidak menjamin bertambahnya nilai fitness.

Gambar 11 Grafik Perbandingan Ukuran

Offspring Terhadap Nilai Fitness

0

0.2

0.4

0.6

5 10 20 30 40 50

Grafik Perbandingan Ukuran

Populasi

Terhadap Nilai Fitness

0

0.1

0.2

0.3

0.4

0.5

1 2 3 4 5 6 7 8 9 10

Grafik Perbandingan Ukuran

Offspring

Terhadap Nilai Fitness

Gambar 11 menunjukkan bahwa hasil

perbandingan ukuran offspring terhadap nilai

fitness cenderung tidak stabil atau naik turun.

Hal ini menunjukkan bahwa jumlah offspring

yang besar tidak menjamin menghasilkan nilai

fitness yang besar.

B. Hasil dan Analisa Uji Coba Generasi Uji coba generasi yaitu pengujian

terhadap pengaruh ukuran generasi dilakukan

dengan menggunakan ukuran populasi adalah

25, ukuran offspring adalah 6 dan sigma

adalah 3. Untuk ukuran generasi yang

digunakan yaitu 10, 20, 30, 40, 50, dan 100.

Untuk setiap pengujian dilakukan 5 kali uji

coba untuk kemudian diambil rata-rata.

Tabel 2 Hasil Uji Coba 2

Banya

k

Gener

asi

Populasi = 25, offspring = 6,

sigma = 3

Rata

-rata

nilai

fitne

ss

Percobaan

1 2 3 4 5

10 0,5 0,3

33

0,3

33

0,2

5

0,5 0,38

32

20 1 0,3

33

0,3

33

0,5 0,2

5

0,48

32

30 0,3

33

0,5 0,2

5

0,3

33

0,3

33

0,34

98

40 0,3

33

0,3

33

0,2

5

0,5 0,2

5

0,33

32

50 0,5 0,2

5

0,5 1 0,3

33

0,51

66

100 0,2

5

0,3

33

0,3

33

0,5 0,3

33

0,34

98

Tabel 2 menunujukkan bahwa rata-

rata nilai fitness tertinggi diperoleh ketika

generasi berjumlah banyak yaitu 50 generasi

dengan rata-rata fitness sebesar 0,5166.

Sedangkan nilai fitness terkecil diperoleh pada

saat jumlah generasi 40 dengan nilai fitness

0,3332.

Gambar 12 Grafik Perbandingan Banyak

Generasi Terhadap Nilai Fitness

Gambar 12 menunjukkan bahwa nilai

fitness dari 10 generasi hingga generasi ke 100

mengalami kenaikan dan penurunan, pada

generasi 30 mengalami penurunan nilai fitness

yang begitu besar begitu juga pada generasi 40

yang mengalami penurunan, kemudian pada

generasi 50 mengalami kenaikan nilai fitness

yang begitu signifikaan, dan terjadi penurunan

nilai fitness pada generasi 100. Karena faktor

algoritma evolution strategies yang bersifat

acak, maka hasil fitness tidaklah tetap dan

hasilnya bervariasi.

C. Solusi Optimum Dalam penelitian optimasi tebar benih

dan pakan pada suatu kolam menggunakan

algoritma evolution strategies, didapatkan

beberapa parameter terbaik pada pengujian

generasi yang dilakukan sebanyak 5 kali

percobaan dengan fitness paling optimal yaitu

pada percobaan ke 2, ukuran populasi = 25,

offspring = 6, sigma = 3, banyaknya generasi

= 20, kemudian pada percobaan ke 4 dengan

nilai generasi=50, Hal ini disebabkan karena

konsep random dalam algoritma es dimana

pembangkitan kromosom awal dan strategy

paramters / sigma dilakukan secara acak. Nilai

fitness yang dihasilkan adalah 1, artinya tidak

terjadi pelanggaran PTI (pakan tidak ideal) dan

KTI (kolam tidak ideal). Berikut merupakan

hasil optimal yang didapat berdasarkan hasil

uji coba 2 :

0

0.1

0.2

0.3

0.4

0.5

0.6

10 20 30 40 50 100

Grafik Perbandingan

Banyak Generasi

Terhadap Nilai Fitness

Tabel 3 Hasil Optimal Percobaan Ke 2

Kolam Luas

Kolam

(m)

Tebar

Benih

(ekor)

Tebar

Pakan

(kg)

1 5x2 1.000 500

2 10x5 5.000 650

3 10x12 9.000 800

4 8x15 20.000 2.000

Tabel 4 Hasil Optimal Percobaan Ke 4

Kolam Luas

Kolam

(m)

Tebar

Benih

(ekor)

Tebar

Pakan

(kg)

1 5x2 3.000 650

2 10x5 6.000 1000

3 10x12 10.000 2.000

4 8x15 20.000 2.000

VI. PENUTUP

A. Kesimpulan Berdasarkan hasil analisa dan

pembahasan pada bab sebelumnya maka

dapat disimpulkan beberapa hal,

diantaranya :

1. Evolution Strategies (ES) dapat digunakan untuk menyelesaikan

masalah optimasi tebar benih dan

pakan pada suatu kolam dengan

menggunakan representasi permutasi,

strategy parameter yang

mempengaruhi proses mutasi, dan

selection elitism.

2. Optimasi tebar benih dan pakan pada suatu kolam dipengaruhi oleh

beberapa parameter, yaitu parameter

ukuran populasi, offspring,

sigma/level mutasi dan banyaknya

generasi. Semakin besar ukuran

populasi semakin meningkat nilai

fitness akan tetapi terjadi penurunan

terhadap populasi ke 10, pada

parameter offspring nilai fitness tidak

tetap atau bervariasi dari ukuran

offspring yang semakin meningkat.

Kemudian pada parameter pengujian

banyaknya generasi terjadi penurunan

nilai fitness akan tetapi setelah terjadi

penurunan terjadi peningkatan nilai

fitness. Berdasarkan hasil pengujian

banyaknya generasi, nilai fitness

tertinggi/optimum atau tidak terjadi

pelanggaran kolam tidak ideal (KTI)

dan pakan tidak ideal (PTI) diperoleh

pada generasi ke 20 dan 50 artinya

nilai fitness pada kromosom/parent

tersebut adalah 1.

B. Saran Dari penelitian yang dilakukan ada

beberapa saran yang akan diberikan untuk

pengembangan lebih lanjut, adalah

sebagai berikut :

1. Pada penelitian selanjutnya digunakan metode mutasi yang berbeda sepeti

insertion mutation, serta membandingkan

metode mutasi antara exchange mutation

dan insertion mutation.

2. Penelitian selanjutnya perlu dikembangkan dengan membandingkan

algoritma evolution strategies dan

algoritma genetika berdasarkan kecepatan

waktu proses algoritma, dan hasil fitness,

tujuannya agar mendapatkan solusi

terbaik antara kedua algoritma tersebut.

DAFTAR PUSTAKA

Beyer, H. G, Schwefel, H. P. 2002. Evolution

Strategies: A Comprehensive

Introduction. Journal Natural

Computing 1, 2002, 3-52.

Risnandar, C. (2013), Panduan Lengkap

Budidaya Ikan Lele,

http://alamtani.com/budidaya-ikan-

lele.html, 12 Agustus 2016.

Endarwati, DA., Mahmudy, WF., dan

Ratnawati, DE., 2014, Pencarian rute

optimum dengan evolution strategies,

Jurnal Mahasiswa PTIIK Universitas

Brawijaya, vol. 4, no. 10.

Harun, I.A., Mahmudy, W.F., dan Yudistira,

N., 2014, Implementasi evolution

strategies untuk penyelesaian vehicle

routing problem with time windows

pada distribusi minuman soda XYZ,

Jurnal Mahasiswa PTIIK Universitas

Brawijaya, vol. 4, no. 1.

Kusnadi, A., dan Santoso, D.S., 2015,

Implementasi Algoritma Genetika

Pada Penempatan Tugas Asisten

Laboratorium Berbasis Web,

ULTIMATICS, vol. 7, no.2.

Mahmudy, W.F., 2013, Algoritma Evolusi,

Program Teknologi Informasi dan

http://alamtani.com/budidaya-ikan-lele.htmlhttp://alamtani.com/budidaya-ikan-lele.html

Ilmu Komputer, Universitas

Brawijaya, Malang.

Milah, H. dan Mahmudy, W.F., 2015,

Implementasi Algoritma Evolution

Strategies Untuk Optimasi Komposisi

Pakan Ternak Sapi Potong, Jurnal

Mahasiswa PTIIK Universitas

Brawijaya, vol. 5, no. 11.

Munawaroh, F. dan Mahmudy, W.F., 2015,

Penerapan algoritma evolution

strategies untuk meminimumkan biaya

distribusi barang, Jurnal

Mahasiswa PTIIK Universitas

Brawijaya, vol. 5, no. 11.

Okada, H., Tokida, J., dan Fujii, Y., 2012,

Comparison of Evolution Strategy,

Genetic Algorithm and Their Hybrids

on Evolving Autonomous Game

Controller Agents, International

Journal Of Science and Engineering

Investigations. Department of

Intelligent Systems, Faculty of

Computer Science and

Engineering, Kyoto Sangyo

University.

Putri, A.M.D.A., Mahmudy, W.F., dan

Cholissodin, I., 2015, Optimasi model

fuzzy AHP dengan menggunakan

algoritma evolution strategies (studi

kasus: pemilihan calon penerima

beasiswa PTIIK Universitas

Brawijaya), Jurnal Mahasiswa

PTIIK Universitas Brawijaya, vol. 5,

no. 15.