OPTIMASI TEBAR BENIH DAN PAKAN PADA SUATU …jurnal.umrah.ac.id/.../2016/08/110155201007.pdf ·...
-
Upload
phungthuan -
Category
Documents
-
view
217 -
download
1
Transcript of OPTIMASI TEBAR BENIH DAN PAKAN PADA SUATU …jurnal.umrah.ac.id/.../2016/08/110155201007.pdf ·...
-
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.