1 OPTIMASI TEBAR BENIH DAN TEBAR PAKAN PADA BUDIDAYA

OPTIMASI TEBAR BENIH DAN TEBAR PAKAN PADA BUDIDAYA IKAN MAS
MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
(Studi Kasus : Budidaya Ikan Mas di Km 14 Jl.Tanjung Uban)
Hendi Yusdi Aprianto1, Sulfikar Sallu, S.Kom., M.Kom2,
Hendra Kurniawan, S.Kom., M.Sc.Eng3
Mahasiswa Program Studi Teknik Informatika Fakultas Teknik UMRAH1
Dosen Program Studi Teknik Informatika Fakultas Teknik UMRAH2
Dosen Program Studi Teknik Informatika Fakultas Teknik UMRAH3
[email protected], [email protected],
[email protected]
ABSTRAK
Ikan mas (Cyprinus carpio L.) dikenal sebagai salah satu komoditas budidaya perairan
air tawar karena nilai jualnya yang cukup baik di pasaran. Budidaya ikan mas banyak
dibudidayakan dibeberapa daerah di Indonesia salah satunya di Kepulauan Riau. Salah satu
kendala yang di alami oleh para produsen maupun para pembudidaya ikan mas saat ini adalah
bagaimana cara mengoptimalkan dari segi penebaran benih dan penebaran pakan pada tiaptiap kolam yang memiliki ukuran yang bervariasi agar jumlah tebar benih dan tebar pakan
menjadi optimal. Salah satu cara untuk menyelesaiakan pegomptimalan tersebut dengan
menerepakan metode yang digunakan untuk permasalahan optimasi adalah Algoritma Particle
Swarm Optimization (PSO).
Particle Swarm Optimization merupakan algoritma berbasis populasi yang
mengeksploitasi individu dalam pencarian. Dalam PSO populasi disebut swarm dan individu
disebut partikel. Tiap partikel berpindah dengan kecepatan yang diadaptasi dari daerah
pencarian dan menyimpannya sebagai posisi terbaik yang pernah dicapai. Penelitian ini
melibatkan beberapa variabel seperti luas kolam, tebar benih dan tebar pakan yang dibutuhkan
dalam suatu kolam budidaya ikan mas. Berdasarkan hasil uji coba dari pengujian optimasi tebar
benih dan tebar pakan dengan PSO memperhatikan fitness yang bernilai 1 hasil yang paling
optimal yaitu dengan menggunakan parameter inputan w = 0,5, 𝑐1= 1,5, 𝑐2 = 1,5 dan w = 0,9,
𝑐1= 0,25 dan 𝑐2 = 0,25, beserta jumlah pembangkitan populasi (swarm) sebanyak 100 dan tidak
ditemukan adanya Pakan Tidak Ideal (PTI=0) dan Kolam Tidak Ideal (KTI=0).
Kata Kunci : Optimasi, PSO, Tebar Benih, Tebar Pakan, Kolam
1
ABSTRACT
Goldfish (Cyprinus carpio L.) is known as one of the freshwater aquaculture
commodities for resale value fairly well in the market. Cultivation of goldfish is widely
cultivated in several regions in Indonesia one of them in the Riau Islands. One of the
constraints experienced by the producers and the farmers goldfish today is how to optimize the
seeding and the feeding at each pool vary in size so that the amount of seeding and feeding can
be optimal. One way to resolve these optimization problem is by applying the method used for
the optimization problem is Algorithm Particle Swarm Optimization (PSO).
Particle Swarm Optimization is a population based algorithms that exploit individuals
in the search. In PSO population and individuals called particle swarm. Each particle moving
at the speed of adaptation of the search area and save it as the best position ever achieved.
This research involves several variables such as the spacious pool, seeding and feeding
required in a pond cultivation of goldfish. Based on the test result of the test optimization
sedeing and feeding with concern the PSO fitness are worth 1 the most optimal results by using
the input parameter w = 0.5, 𝑐1 = 1.5, 𝑐2 = 1.5 and w = 0,9, 𝑐1 = 0.25 and 𝑐2 = 0.25, and the
amount of generation population (swarm) of 100, with no evidence Feed Not Ideal (FNI = 0)
and the Pool Not Ideal (PNI = 0).
Keywords: Optimization, PSO, Seeding, Feeding, Pool
I. PENDAHULUAN
yang memiliki ukuran yang bervariasi agar
jumlah tebar benih dan tebar pakan menjadi
optimal.
Indonesia memiliki perairan air tawar
yang sangat luas dan berpotensi besar untuk
usaha budidaya berbagai macam jenis ikan
air tawar, sehingga mampu memproduksi,
mengeksploitasi dan memenuhi kebutuhan
akan
sumberdaya
perairan
guna
meningkatkan kualitas pertumbuhan bagi
masyarakat luas. Dewasa ini sumber daya
alam semakin menipis. Tingkat konsumsi
ikan masih sangat tinggi, akan tetapi
ketersediaan tidak mencukupi untuk
memenuhi kebutuhan konsumen, dengan
keadaan seperti itu, muncullah keinginan
manusia untuk berusaha membudidayakan
ikan agar kebutuhan konsumen dapat
terpenuhi.
Dalam mengoptimalkan tebar benih dan
tebar pakan dapat dilihat dari hasil panen
jika hasil panen tidak kurang dari 1 atau
tidak lebih dari 3 ekor per 1 kg nya, maka
tebar benih dan tebar pakan telah mencapi
kondisi optimal. Kemudian untuk membuat
suatu alternatif pemecahan masalah pada
pengoptimalan tebar benih dan tebar pakan
ikan mas dibutuhkan suatu metode
optimasi. Salah satu metode yang
digunakan untuk permasalahan optimasi
adalah
Algoritma
Particle
Swarm
Optimization (PSO).
Telah terdapat penelitian sebelumnya
yang membahas optimasi tebar benih dan
pakan pada suatu kolam yang berstudi
kasus pada budidaya ikan lele yang
dilakukan
oleh
Zuldora
(2015)
menunjukkan bahwa algoritma genetika
dapat digunakan untuk menyelesaikan
permasalahan optimasi tebar benih dan
pakan pada suatu kolam, kemudian Ariani
(2011) pada optimasi penjadwalan mata
kuliah di jurusan teknik informatika PENS
dengan menggunakan algoritma Particle
Ikan mas (Cyprinus carpio L.) dikenal
sebagai salah satu komoditas budidaya
perairan air tawar karena nilai jualnya yang
cukup baik di pasaran. Budidaya ikan mas
banyak dibudidayakan dibeberapa daerah
di Indonesia salah satunya di Kepulauan
Riau. Salah satu kendala yang di alami oleh
para produsen maupun para pembudidaya
ikan mas saat ini adalah bagaimana cara
mengoptimalkan dari segi penebaran benih
dan penebaran pakan pada tiap-tiap kolam
2
Swarm Optimization menunjukkan bahwa
algoritma PSO ini dapat digunakan untuk
mengoptimasi permasalahan penjadwalan
matakuliah di jurusan teknik informatika
PENS.
Dari uraian diatas maka penulis
mengambil judul yaitu “Optimasi Tebar
Benih dan Tebar Pakan pada Budidaya Ikan
Mas Menggunakan Algoritma Particle
Swarm Optimization (PSO)”, karena PSO
merupakan salah satu algoritma optimasi
yang mempunyai kesamaan dengan teknik
komputasi evolusioner seperti algoritma
genetik. PSO memiliki beberapa kelebihan,
antara lain mudah diimplementasikan dan
memiliki lebih sedikit fungsi operasi dan
parameter yang harus ditentukan (Haupt,
2004).
perkuliahan
dengan
memanfaatkan
software
Microsoft
Excel
untuk
menghasilkan jadwal kuliah. Tingkat
ketelitian yang tinggi mengurangi fungsi
keefisienan dan terjadinya human error
masih besar. Contohnya kemungkinan
jadwal kuliah yang terjadi pada jam dan
hari yang sama pada pemakaian ruangan
ataupun pada jadwal mengajar dosen. Atas
dasar itu, maka dibuatlah sebuah sistem
untuk mengoptimalkan penjadwalan kuliah
sebagai solusi dalam menyelesaikan
masalah penjadwalan kuliah yang terjadi di
PCR.
Algoritma
Particle
Swarm
Optimization (PSO) sebagai algoritma
untuk penyelesaian masalah optimasi
dengan proses pembangkitan posisi dan
velocity awal, update velocity dan update
posisi sebagai 3 tahapan utamanya
sehingga didapatkan solusi berupa jadwal
kuliah.
Wati dan Rochman (2013) Model
Penjadwalan Matakuliah Secara Otomatis
Berbasis Algoritma Particle Swarm
Optimization (PSO). Dalam penelitiannya
melakukan model penjadwalan otomatis ini
bertujuan menghasilkan jadwal yang
memenuhi semua batasan mutlak dan
meminimalkan total aktivasi batasan lunak
berupa preferensi dosen. Berdasarkan hasil
percobaan, model penjadwalan mata kuliah
berbasis algoritma PSO dapat melakukan
tugas penjadwalan secara otomatis dan
menghasilkan solusi yang memenuhi
semua batasan mutlak dan meminimalkan
aktivasi
batasan
lunak.
Dengan
menggunakan model penjadwalan berbasis
PSO, proses penjadwalan menjadi lebih
cepat dibandingkan proses penjadwalan
manual.
Zuldora (2015) Optimasi Tebar Benih
dan
Pakan
pada
Suatu
Kolam
Menggunakan Algoritma Genetika. Dalam
penelitiannya ini melibatkan beberapa
variabel, seperti luas kolam, jumlah tebar
benih, dan jumlah pakan yang dibutuhkan
dalam mencapai optimal hasil panen ikan
lele. Optimasi tebar benih dan pakan pada
suatu kolam budidaya ikan lele dengan
algoritma genetika bergantung pada
II. KAJIAN LITERATUR
A. Kajian Terdahulu
Chen dan Ruey (2011) Particle Swarm
Optimization with Justification and
Designed Mechanisms for ResourceConstrained Project Scheduling Problem,
memaparkan permasalahan mengenai
Resource-Constrained Project Scheduling
Problem (RCPSP) adalah masalah klasik
yang melibatkan sumber daya, keutamaan,
dan kendala temporal dan telah diterapkan
untuk banyak aplikasi. Particle Swarm
adalah salah satu metaheuristik, dan telah
diverifikasi menjadi algoritma yang
terinspirasi dari alam yang efisien untuk
banyak
masalah
optimasi.
Untuk
meningkatkan efisiensi PSO dalam
menyelesaikan RCPSP, disarankan skema
yang efektif dengan teknik justification
dikombinasikan dengan PSO sebagai
optimasi Justification Particle Swarm
Optimization (JPSO).
Rachman dkk. (2012) Analisa dan
Penerapan Metode Particle Swarm
Optimization pada Optimasi Penjadwalan
Kuliah. dalam penelitiannya penjadwalan
kuliah yang dilakukan oleh BAAK (Bagian
Administrasi
dan
Akademik
Kemahasiswaan) Politeknik Caltex Riau
dilakukan dengan memproses data-data
3
pembangkitan bilangan acak dan ada atau
tidaknya nilai Pakan Tidak Ideal (PTI) yang
ditemukan
dan
kemudian
akan
mempengaruhi
nilai
fitness
yang
dihasilkannya, sehingga iterasi tidak dapat
dijadikan batasan proses untuk mencapai
hasil yang optimal.
Generator scheduling merupakan bagian
penting dalam pengoperasian sistem tenaga
listrik. Tidak ada penjadwalan yang baik
dapat menyebabkan biaya yang sangat
besar dalam proses pengoperasian terutama
pada sisi pembangkitan, juga dapat
menyebabkan tidak ada koordinasi dalam
menyalurkan tenaga listrik. Optimasi
penjadwalan dari generator diperoleh
dengan kecerdasan buatan diantaranya
menggunakan teknik Particle Swarm
Optimization (PSO). Hasil simulasi
menunjukkan bahwa metode yang
digunakan memberikan performa yang
sangat baik dan hasil ini juga dibandingkan
dengan metoda iterasi lamda untuk melihat
keakuratan dari hasil yang didapat.
Wardhani dkk. (2011) Optimasi
Komposisi Bahan Pakan Ikan Air Tawar
Menggunakan Metode Multi-Objective
Genetic Algorithm. Dalam penelitiannya
berdasarkan percobaan yang telah
dilakukan penerapan metode Multi
Objective Genetic Algorithm (MOGA)
pada aplikasi optimasi komposisi bahan
pakan ikan dapat bekerja dengan baik.
Rata-rata tingkat keberhasilan perhitungan
pemenuhan kebutuhan nutrisi ikan dapat
mencapai 100% dan tingkat efisiensi biaya
pakan sekitar 46.5% untuk menghasilkan
pakan sejumlah 6 kg ada kasus ikan lele
dewasa. Solusi tersebut dihasilkan dengan
menggunakan parameter yaitu jumlah gen
5, jumlah kromosom 200, probabilitas
crossover 0.01, probabilitas mutasi 0.2,
probabilitas elitism 0.03, dan jumlah
generasi 5.
Ariani (2011) Optimasi Penjadwalan
Mata Kuliah di Jurusan Teknik Informatika
PENS dengan Menggunakan Algoritma
Particle Swarm Optimization (PSO).
Penelitian ini melakukan optimasi pada
jadwal kuliah bertujuan untuk membuat
suatu sistem komputasi untuk menggatikan
penjadwalan secara manual. PSO dapat
digunakan
untuk
mengoptimasi
permasalahan penjadwalan matakuliah di
jurusan teknik informatika PENS. Hasil
akhir dari penjadwalan matakuliah dengan
PSO yang paling optimal yaitu dengan
menggunaka parameter 𝑐2 =1.5, 𝑐2 = 1.5,
w = 0.5 dan jumlah partikel sebanyak 10.
Marginingtyas
dkk.
(2015)
Penentuan Komposisi Pakan Ternak untuk
Memenuhi Kebutuhan Nutrisi Ayam
Petelur
dengan
Biaya
Minimum
Menggunakan
Algoritma
Genetika.
Penelitian ini menggunakan representasi
real code dimana setiap kromosomnya
memiliki panjang yang sejumlah dengan
data bahan pakan yang digunakan yaitu 40.
Setiap gen dalam sebuah kromosom
mewakili bobot dari bahan pakan. Dari
hasil pengujian didapatkan ukuran populasi
terbaik adalah 160, banyaknya generasi
optimal adalah 1250, serta kombinasi Cr
dan Mr sebesar 0,6 dan 0,4. Hasil akhir
yang didapatkan adalah berupa kombinasi
bahan pakan terbaik dengan nutrisi
terpenuhi dan biaya minimum.
B. Landasan Teori
a. Optimasi
Optimasi adalah setiap usaha untuk
memperoleh kondisi terbaik untuk suatu
masalah (Dorigo, M., and Stutzle, T.,
2004). Bidang rekayasa atau engineering
merupakan bidang ilmu yang senantiasa
dihadapkan pada masalah optimasi dalam
melakukan perancangan maupun dalam
penyelesaian masalah. Masalah yang
dihadapi biasanya dinyatakan dalam bentuk
suatu fungsi objektif atau fungsi biaya
(costfunction) yang nilainya dipengaruhi
oleh beberapa parameter atau variabel.
Masalah optimasi dikaitkan dengan
batasan, yaitu kondisi yang harus dipenuhi
Tuegeh
dkk.
(2009)
Optimal
Generator Scheduling Based on Particle
Swarm Optimization. Dalam penelitian ini
4
𝑥𝑘𝑖 = (𝑥𝑘𝑖1, 𝑥𝑘𝑖2, … … . , 𝑥𝑘𝑖𝑛 ) …………. (3)
oleh semua variable (Wati dan Rochman,
2013).
𝑣𝑘𝑖 = (𝑣𝑘𝑖1, 𝑣𝑘𝑖2, … … . , 𝑣𝑘𝑖𝑛 ) …………. (4)
b. Particle Swarm Optimization (PSO)
Langkah kedua adalah update
velocity (kecepatan) untuk semua partikel
pada waktu k+1 menggunakan fungsi
objektif atau nilai fitness posisi partikel saat
ini pada design space saat waktu ke k. Dari
nilai fitness dapat ditentukan partikel mana
yang memiliki nilai global terbaik (global
𝑔
best) pada swarm saat ini (𝑝𝑘 ), dan juga
dapat ditentukan (local best) posisi terbaik
dari tiap partikel pada semua waktu yang
sekarang dan sebelumnya (𝑝𝑖 ). Perumusan
update velocity menggunakan dua
informasi tersebut untuk semua partikel
pada
kumpulan
dengan
pengaruh
𝑖
perpindahan yang sekarang (𝑣𝑘 ), untuk
𝑖
memberikan arah pencarian (𝑣𝑘+1
) untuk
generasi selanjutnya.
Particle Swarm Optimization (PSO)
merupakan algoritma berbasis populasi
yang mengeksploitasi individu dalam
pencarian. Dalam PSO populasi disebut
swarm dan individu disebut partikel. Tiap
partikel berpindah dengan kecepatan yang
diadaptasi dari daerah pencarian dan
menyimpannya sebagai posisi terbaik yang
pernah dicapai (Ariani, 2011).
Algoritma PSO terdiri dari tiga tahap,
yaitu pembangkitan posisi serta kecepatan
partikel,
update
velocity
(update
kecepatan), update position (update posisi).
Partikel berubah posisinya dari suatu
perpindahan (iterasi) ke posisi lainnya
berdasarkan pada update velocity (Ariani,
2011).
Perumusan
update
velocity
mencakup beberapa parameter random
(rand), untuk mendapatkan cakupan yang
baik pada design space, tiga parameter
yang mempengaruhi arah pencarian, yaitu
inertia factor (w), self confidence (𝑐1),
swarm confidence (𝑐2 ) akan digabungkan
dalam satu penyajian, seperti yang
ditunjukkan persamaan berikut :
Langkah pertama posisi 𝑥𝑘𝑖 dan
kecepatan 𝑣𝑘𝑖 dari sekumpulan partikel
dibangkitkan secara random menggunakan
batas atas (𝑥𝑚𝑎𝑥 ) dan batas bawah (𝑥𝑚𝑖𝑛 )
dari design variable, seperti yang
ditunjukkan pada persamaan (1) dan (2).
𝑥01 = 𝑥𝑚𝑖𝑛 + 𝑟𝑎𝑛𝑑 (𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 ) ….. (1)
𝑣01 = 𝑥𝑚𝑖𝑛 + 𝑟𝑎𝑛𝑑 (𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 ) ….. (2)
𝑖
𝑣𝑘+1
= 𝑤 ∗ 𝑣𝑘𝑖 + 𝑐1 ∗ 𝑟𝑎𝑛𝑑 ∗ (𝑝𝑖 −
𝑔
𝑥𝑘𝑖 ) + 𝑐2 ∗ 𝑟𝑎𝑛𝑑 ∗ (𝑝𝑘 − 𝑥𝑘𝑖 ) …........ (5)
Di mana:
𝑥01 = Posisi awal.
𝑣01 = Kecepatan awal.
𝑥𝑚𝑖𝑛 = Batas bawah.
𝑥𝑚𝑎𝑥 = Batas atas.
rand = nilai random antara rentang nilai 0
dan 1
Di mana:
w = inertia factor, digunakan untuk
mengontrol pengaruh kecepatan
sebelumnya dikecepatan sekarang,
mempengaruhi trade-off kemampuan
exploration (menjelajah) local dan
global selama proses pencarian. Nilai
w memiliki rentang 0,9 – 0,4
(Kennedy dan Eberhart, 2001).
𝑖
𝑣𝑘 = kecepatan sekarang.
𝑥𝑘𝑖 = posisi sekarang.
𝑐1 , 𝑐2 = self confidence (𝑐1), swarm
confidence (𝑐2 ), merupakan learning
rates untuk kemampuan individu
(cognitive) dan pengaruh social
Posisi
dan
kecepatan
direpresentasikan dalam bentuk vektor
dimana
n
dimensi
vektor
merepresentasikan jumlah dari desain
variabel partikel, dengan menotasikan
partikel ke i pada waktu ke k. Proses
inisialisasi ini maka kumpulan partikel
dapat terdistribusi secara random pada
desain ruang (design space). Vektor seperti
ditunjukkan di bawah ini:
5
(group). parameters 𝑐1 dan 𝑐2
menunjukkan bobot dari memori
(position) sebuah partikel terhadap
memori (posisi) dari kelompok
(swarm). Nilai dari 𝑐1 dan 𝑐2
biasanya adalah 2,0 sehingga
perkalian 𝑐1 𝑟1 dan 𝑐2 𝑟2 memastikan
bahwa
partikel-partikel
akan
mendekati target sekitar setengah
selisihnya (Kusmarna, 2013).
Pada umumnya nilai-nilai
untuk koefisien akselerasi 𝑐1 dan 𝑐2 =
2,0. Namun demikian, nilai koefisien
akselerasi tersebut dapat ditentukan
sendiri yang digunakan di dalam
penelitian yang berbeda, biasanya
nilai 𝑐1 dan 𝑐2 adalah sama dan
berada pada rentang antara 0 sampai
4 (Kennedy dan Eberhart, 2001).
𝑟1, 𝑟2 = bilangan random yang memiliki
range 0 – 1.
𝑝𝑖 = local best, posisi terbaik dari tiap
partikel pada semua waktu yang
sekarang (fitness terbaik masingmasing partikel).
𝑔
𝑝𝑘 = nilai global terbaik (global best) pada
swarm saat ini (fitness terbaik dari
keseluruhan partikel).
algoritma. Banyak cara untuk membangun
kondisi berhenti, diantaranya adalah :
Iterasi dihentikan ketika PSO telah
mencapai iterasi maksimum, atau PSO
telah menemukan nilai optimum tertentu
atau kesalahan minimum yang diinginkan
(Kusmarna, 2013).
c. Fitness
Fungsi fitness digunakan untuk
mengukur tingkat kebaikan atau kesesuaian
(fitness) suatu solusi dengan solusi yang
dicari. Fungsi fitness biasa berhubungan
langsung dengan fungsi tujuan, atau bisa
juga sedikit modifikasi terhadap fungsi
tujuan. Sejumlah solusi yang dibangkitkan
dalam
populasi
akan
dievaluasi
menggunakan fungsi fitness.
Pada kasus optimasi dikenal dua
masalah, yaitu maksimasi dan minimasi.
Maksimasi artinya mencari nilai maksimal
dari sesuatu (bisa berupa fungsi).
Sedangkan minimasi artinya mencari nilai
minimal dari sesuatu. Jika tujuannya adalah
memaksimalkan sebuah fungsi, maka
fungsi fitness yang digunakan adalah fungsi
itu sendiri, jadi f = h (di mana f adalah
fungsi fitness). Sedangkan jika tujuannya
adalah meminimalkan fungsi h, maka
fungsi h tidak bisa digunakan secara
langsung. Fungsi fitness yang digunakan
untuk masalah minimasi adalah f = 1/h.
Artinya, semakin kecil nilai h semakin
besar nilai f. tetapi fungsi fitness ini akan
bermasalah jika h bisa bernilai 0, yang
mengakibatkan f bisa bernilai tak hingga.
Untuk mengatasi masalah tersebut, fungsi
fitness perlu dimodifikasi sedikit menjadi,
Langkah terakhir dari setiap iterasi
adalah update posisi tiap partikel dengan
vektor velocity, seperti yang ditunjukkan
pada persamaan berikut:
𝑖
𝑖
𝑥𝑘+1
= 𝑥𝑘𝑖 + 𝑣𝑘+1
….……………...... (6)
Dimana :
𝑖
𝑥𝑘+1
= Posisi setelah di update
𝑖
𝑥𝑘 = Posisi saat ini
𝑖
𝑣𝑘+1
= Kecepatan setelah di update
1
𝐹 = (ℎ+𝑎) ……………………………. (7)
Tiga tahapan di atas akan diulang
sampai kriteria kekonvergenan terpenuhi,
kriteria kekonvergenan sangat penting
dalam menghindari penambahan fungsi
evaluasi
setelah
solusi
optimum
didapatkan, namun kriteria kekonvergenan
tidak selalu mutlak diperlukan, penetapan
jumlah iterasi maksimal juga dapat
digunakan sebagai stopping condition dari
dimana h merupakan hasil penjumlahan
dari constraint yang dilanggar. Sedangkan
𝑎 adalah bilangan yang dianggap sangat
kecil untuk menghindari pembagian dengan
0. Nilai 𝑎 biasanya didefinisikan sebagai
0,001 atau disesuaikan dengan masalah
yang akan diselesaikan (Kusmarna, 2013).
Fitness terbaik adalah nilai fitness
yang memiliki jumlah pelanggaran yang
6
kecil dalam menghasilkan solusi. Untuk
setiap pelanggaran yang terjadi akan
diberikan nilai 1. Agar tidak terjadi nilai
fitness yang tak terhingga maka jumlah
total semua pelanggaran ditambah 1
(Santoso dan Willly, 2011) dalam
penelitian (Mansur 2014).
seminar nasional, serta skripsi.
Setelah sumber pustaka terkumpul,
dilanjutkan dengan penelahan dari
sumber pustaka tersebut, yang pada
akhirnya sumber pustaka itu
dijadikan
landasan
untuk
menganalisis permasalahan.
2. Observasi
Penulis melakukan observasi
langsung untuk mengetahui data apa
saja yang akan digunakan untuk
mengoptimasi tebar benih dan tebar
paka ada ikan mas yang berlokasi di
Km 14 Jl.Tanjung Uban. Data-data
tersebut nantinya akan disimpan ke
dalam database.
Tabel 1. Data Penelitian pada Budidaya
Ikan Mas
d. Distance Euclidean
Dalam matematika jarak euclidean
menyatakan jarak antara dua titik dalam
suatu ruang. Secara umum, yang dimaksud
jarak antara dua titik adalah garis terpendek
diantara semua garis yang menghubungkan
kedua titik tersebut. Dalam ruang
Euclidean berdimensi m, Rm, jarak antara
titik x dan y dapat dirumuskan sebagai
berikut (Ardiansyah, 2013).
2
𝐷 = √ ∑𝑚
𝑖=0 |𝑥𝑖 − 𝑦𝑖| .……….............. (8)
Dimana :
𝐷
m
𝑥𝑖
𝑦𝑖
Kolam
Luas
Kolam
(m)
Minimum
(tebar
benih)
Maksimum
(tebar
benih)
Tebar
Benih
(ekor)
Tebar
Pakan
(kg)
1
2
3
4
5
10 x 15
15 x 15
15 x 20
20 x 30
25 x 30
1.000
1.750
2.500
5.000
6.500
1.500
2.250
3.000
6.000
7.500
1.500
2.250
3.000
6.000
7.500
500
750
1.000
2.000
2.500
= Ukuran jarak
= Dimensi data
= Titik data pertama
= Titik data kedua
(Sumber: Hasil Wawancara Pemilik Usaha
Budidaya Ikan Mas di Km 14 Jl. Tanjung
Uban; Cerdas Payung, 2015)
III. METODE PENELITIAN
A. Obyek dan Lokasi Penelitian
Obyek yang akan diteliti adalah
Optimasi Tebar Benih dan Tebar Pakan
pada Budidaya Ikan Mas Menggunakan
Algoritma Particle Swarm Optimization.
Penelitian
ini
dilakukan
pada
pembudidayaan ikan mas yang berlokasi di
Km 14 Jl. Tanjung Uban.
C. Metode Pengembangan Sistem
Pada tahap pengembangan sistem
terdiri dari proses - proses yang terstruktur
yaitu, analisa kebutuhan, desain sistem,
penulisan kode program, pengujian
program,
penerapan
program
dan
pemeliharaan. Metode pengembangan ini
dikenal
dengan
model
Waterfall
(Sommerville, 2009).
B. Metode Pengumpulan Data
Metode yang digunakan dalam
pengumpulan data adalah :
1. Studi Pustaka (Library Research)
Digunakan sumber pustaka yang
relevan
untuk
mengumpulkan
informasi yang diperlukan dalam
penelitian, yaitu dengan membaca
literatur yang berkaitan dengan
masalah yang dibahas kemudian
mengumpulkan sumber pustaka
berupa buku, jurnal dan prosiding
Gambar 1. Metode Pengembangan Sistem
Waterfall
7
A. Perancangan
IV. PERANCANGAN
IMPLEMENTASI
DAN
Gambar 3. DFD Level 0
Gambar 4. DFD Level 1
Gambar 2. Flowchart Optimasi Tebar
Benih dan Tebar Pakan pada Budidaya
Ikan Mas Menggunakan Algoritma Particle
Swarm Optimization (PSO)
Gambar 5. DFD Level 2 proses 2 (user)
8
Gambar 10. Form Data Tebar Benih
dan Tebar Pakan
Gambar 6. DFD Level 2 proses 3 (kolam)
Gambar 11. Form Optimasi PSO
Gambar 7. DFD Level 2 proses 4 (tebar
benih dan tebar pakan)
V. HASIL DAN PEMBAHASAN
A. Uji Coba dengan Parameter 1
Uji coba yang akan dilakukan pada
pengujian sistem optimasi tebar benih dan
tebar pakan pada budidaya ikan mas
mengunakan algoritma particle swarm
optimization ini akan dilakukan pada 3
macam jumlah populasi (swarm), yaitu
sebagai berikut :
 Dengan menggunakan jumlah populasi
(swarm) sebanyak 10
 Dengan menggunakan jumlah populasi
(swarm) sebanyak 50
 Dengan menggunakan jumlah populasi
(swarm) sebanyak 100
B. Implementasi
Gambar 8. Form Data User
Setelah dilakukan beberapa kali
percobaan pada 3 macam jumlah populasi
(swarm), 3 macam parameter 𝑐1 , 𝑐2 dan w
serta 5 iterasi yang berbeda maka
dihasilkan data-data seperti pada tabel 2
Untuk percobaan dengan menggunakan 10
populasi (swarm) didapat data sebagai
berikut :
Gambar 9. Form Data Kolam
9
Tabel 2. Hasil Uji Coba Parameter 1
Menggunakan 10 Populasi (swarm)
Uji
Cob
a
Ke-
Iteras
i
1
2
3
4
5
10
30
50
75
100
w=0,5
𝒄𝟏 =0,2
5
𝒄𝟐 =0,2
5
0,25
0,25
0,333
0,25
0,333
Fitness
w=0,5
𝒄𝟏 =1,
5
𝒄𝟐 =1,
5
0,25
0,25
0,333
0,5
0,25
B. Uji Coba dengan Parameter 2
Tabel 5. Hasil Uji Coba Parameter 2
Menggunakan 10 Populasi (swarm)
w=0,5
𝒄𝟏 =2,
5
𝒄𝟐 =2,
5
0,25
0,333
0,333
0,333
0,5
Tabel 3. Hasil Uji Coba Parameter 1
Menggunakan 50 Populasi (swarm)
Uji
Cob
a
Ke-
Iteras
i
1
2
3
4
5
10
30
50
75
100
Fitness
w=0,5
w=0,5
𝒄𝟏 =0,2 𝒄𝟏 =1,
5
5
𝒄𝟐 =0,2 𝒄𝟐 =1,
5
5
0,333
0,333
0,333
0,333
0,333
0,333
0,5
0,5
0,333
1
Iteras
i
1
2
3
4
5
10
30
50
75
100
w=0,5
𝒄𝟏 =0,2
5
𝒄𝟐 =0,2
5
0,5
0,5
0,5
0,5
0,5
Fitness
w=0,5
𝒄𝟏 =1,
5
𝒄𝟐 =1,
5
0,5
0,333
0,5
0,333
0,5
Iteras
i
1
2
3
4
5
10
30
50
75
100
w=0,9
𝒄𝟏 =0,2
5
𝒄𝟐 =0,2
5
0,25
0,25
0,333
0,333
0,333
Fitness
w=0,9
𝒄𝟏 =0,7
0
𝒄𝟐 =0,7
0
0,333
0,333
0,333
0,333
0,25
w=0,9
𝒄𝟏 =1,5
0
𝒄𝟐 =1,5
0
0,333
0,25
0,25
0,333
0,25
Tabel 6. Hasil Uji Coba Parameter 2
Menggunakan 50 Populasi (swarm)
w=0,5
𝒄𝟏 =2,
5
𝒄𝟐 =2,
5
0,5
0,333
0,5
0,5
0,5
Tabel 4. Hasil Uji Coba Parameter 1
Menggunakan 100 Populasi (swarm)
Uji
Cob
a
Ke-
Uji
Cob
a
Ke-
Uji
Cob
a
Ke-
Iteras
i
1
2
3
4
5
10
30
50
75
100
w=0,9
𝒄𝟏 =0,2
5
𝒄𝟐 =0,2
5
0,5
0,5
0,5
0,5
0,5
Fitness
w=0,9
𝒄𝟏 =0,7
0
𝒄𝟐 =0,7
0
0,5
0,5
0,5
0,333
0,333
w=0,9
𝒄𝟏 =1,5
0
𝒄𝟐 =1,5
0
0,5
0,333
0,333
0,5
0,5
Tabel 7. Hasil Uji Coba Parameter 2
Menggunakan 100 Populasi (swarm)
w=0,5
𝒄𝟏 =2,
5
𝒄𝟐 =2,
5
0,5
0,5
0,5
0,5
0,5
10
Uji
Cob
a
Ke-
Iteras
i
1
2
3
4
5
10
30
50
75
100
w=0,9
𝒄𝟏 =0,2
5
𝒄𝟐 =0,2
5
0,5
0,5
0,5
0,5
0,5
Fitness
w=0,9
𝒄𝟏 =0,7
0
𝒄𝟐 =0,7
0
0,5
0,333
0,5
0,5
0,5
w=0,9
𝒄𝟏 =1,5
0
𝒄𝟐 =1,5
0
0,5
0,5
0,333
0,333
0,5
D. Analisa Hasil Percobaan
C. Uji parameter 3
Dari uji coba yang telah dilakukan
diatas dapat dilakukan analisa terhadap
parameter-parameter yang digunakan.
Analisa yang didapat sebagai berikut :
1. Hasil uji coba parameter 3 berdasarkan
100 populasi dengan nilai inertia factor
(w) = 0,9 dapat menghasilkan rata-rata
tebar benih dan tebar pakan yang lebih
optimal yang memiliki nilai fitness
terbaik yaitu 1 pada iterasi 30, 50, 75 dan
100, dibandingkan dengan uji coba
dengan menggunakan w = 0.5 dan w =
0.9, dengan nilai 𝑐1 dan 𝑐2 yang sama
pada ketiga percobaan tersebut. Namun
pada w = 0.5, w = 0.9 dan w = 0,9 dengan
nilai 𝑐1 dan 𝑐2 yang berbeda pada ketiga
percobaan tersebut mendapatkan nilai
fitness terbaik yaitu 1, pada parameter 1
berdasarkan 50 populasi dengan iterasi
100.
2. Nilai inertia factor (w) dengan nilai 𝑐1
dan 𝑐2 yang besar sangat mempengaruhi
dalam pencarian solusi optimal namun
terkadang dalam pencarian solusi
optimal tidak selalu didapat nilai fitness
terbaik yaitu 1 dikarena pembangkitan
populasi bersifat acak (random).
3. Pada uji coba dengan nilai inertia factor
(w), 𝑐1 dan 𝑐2 yang berbeda
menunjukkan bahwa nilai fitness dari
populasi 10, 50 dan 100 mengalami
kenaikan dan penurunan pada tiap-tiap
iterasi, karena faktor pembangkitan
populasi awal (swarm) pada algoritma
particle swarm optimization ini bersifat
acak (random), maka hasil fitness
tidaklah tetap dan hasilnya bervariasi.
4. Parameter yang digunakan tidak
mempengaruhi total iterasi, namun
berpengaruh pada nilai fitness yang
dihasilkan. Hal ini menunjukkan bahwa
jumlah iterasi yang besar tidak
menjamin menghasilkan nilai fitness
yang terbaik begitu pula dengan
pembangkitan populasi.
Tabel 8. Hasil Uji Coba Parameter 3
Menggunakan 10 Populasi (swarm)
Uji
Cob
a
Ke-
Iteras
i
1
2
3
4
5
10
30
50
75
100
w=0,9
𝒄𝟏 =0,2
5
𝒄𝟐 =0,2
5
0,5
0,333
0,333
0,333
0,5
Fitness
w=0,9
𝒄𝟏 =0,5
0
𝒄𝟐 =0,5
0
0,333
0,333
0,25
0,333
0,25
w=0,
9
𝒄𝟏 =1
𝒄𝟐 =1
0,25
0,25
0,333
0,25
0,333
Tabel 9. Hasil Uji Coba Parameter 3
Menggunakan 50 Populasi (swarm)
Uji
Cob
a
Ke-
Iteras
i
1
2
3
4
5
10
30
50
75
100
w=0,9
𝒄𝟏 =0,2
5
𝒄𝟐 =0,2
5
0,5
0,5
0,5
0,5
0,5
Fitness
w=0,9
𝒄𝟏 =0,5
0
𝒄𝟐 =0,5
0
0,333
0,333
0,333
0,333
0,333
w=0,
9
𝒄𝟏 =1
𝒄𝟐 =1
0,333
0,333
0,333
0,333
0,5
Tabel 10. Hasil Uji Coba Parameter 3
Menggunakan 100 Populasi (swarm)
Uji
Cob
a
Ke-
Iteras
i
1
2
3
4
5
10
30
50
75
100
Fitness
w=0,9
w=0,9
𝒄𝟏 =0,2 𝒄𝟏 =0,5
5
0
𝒄𝟐 =0,2 𝒄𝟐 =0,5
5
0
0,5
0,5
1
0,333
1
0,333
1
0,333
1
0,333
w=0,
9
𝒄𝟏 =1
𝒄𝟐 =1
0,5
0,333
0,5
0,5
0,333
11
E. Hasil Akhir Optimasi Tebar Benih dan Tebar Pakan pada Budidaya Ikan Mas
Menggunakan Algoritma Particle Swarm Optimization
Tabel 11. Hasil Optimasi Tebar Benih dan Tebar Pakan pada Budidaya Ikan Mas
Menggunakan Algoritma Particle Swarm Optimization (PSO)
No
1
2
3
4
5
No
1
2
3
4
5
No
1
2
3
4
5
No
1
2
3
4
5
No
1
2
3
4
5
Hasil Uji Coba Parameter 1 Menggunakan 50 Populasi (swarm)
w=0,5 𝒄𝟏 =1,5 𝒄𝟐 =1,5 dan Iterasi 100
Kolam
Luas Kolam
Tebar Benih
Tebar Pakan
1
10 × 15
1.500
500
2
15 × 15
2.250
750
3
15 × 20
3.000
1.000
4
20 × 30
6.000
2.500
5
25 × 30
7.500
2.500
Hasil Uji Coba Parameter 3 Menggunakan 100 Populasi (swarm)
w=0,9 𝒄𝟏 =0,25 𝒄𝟐 =0,25 dan Iterasi 30
Kolam
Luas Kolam
Tebar Benih
Tebar Pakan
1
10 × 15
1.500
1.000
2
15 × 15
2.250
2.000
3
15 × 20
3.000
2.500
4
20 × 30
6.000
2.000
5
25 × 30
7.500
2.500
Hasil Uji Coba Parameter 3 Menggunakan 100 Populasi (swarm)
w=0,9 𝒄𝟏 =0,25 𝒄𝟐 =0,25 dan Iterasi 50
Kolam
Luas Kolam
Tebar Benih
Tebar Pakan
1
10 × 15
1.500
500
2
15 × 15
2.250
1.000
3
15 × 20
3.000
2.500
4
20 × 30
6.000
2.000
5
25 × 30
7.500
2.500
Hasil Uji Coba Parameter 3 Menggunakan 100 Populasi (swarm)
w=0,9 𝒄𝟏 =0,25 𝒄𝟐 =0,25 dan Iterasi 75
Kolam
Luas Kolam
Tebar Benih
Tebar Pakan
1
10 × 15
1.500
1.000
2
15 × 15
2.250
2.000
3
15 × 20
3.000
2.500
4
20 × 30
6.000
2.500
5
25 × 30
7.500
2.500
Hasil Uji Coba Parameter 3 Menggunakan 100 Populasi (swarm)
w=0,9 𝒄𝟏 =0,25 𝒄𝟐 =0,25 dan Iterasi 100
Kolam
Luas Kolam
Tebar Benih
Tebar Pakan
1
10 × 15
1.500
750
2
15 × 15
2.250
750
3
15 × 20
3.000
2.500
4
20 × 30
6.000
2.500
5
25 × 30
7.500
2.500
12
1. Constraint
dapat
ditambah dan
disesuaikan dengan kebutuhan.
2. Pengujian dapat dilakukan dengan
menambahkan variasi dari parameter
pengujian, yaitu w, 𝑐1 dan 𝑐2 serta
jumlah populasi dan jumlah iterasi untuk
memperoleh hasil yang lebih optimal.
3. Penelitian
selanjutnya
perlu
dikembangkan dengan membandingkan
algoritma particle swarm optimization
dan algoritma genetika, tujuannya agar
mendapatkan solusi terbaik dari masing
algoritma tersebut.
VI. PENUTUP
A. Kesimpulan
Setelah dilakukan uji coba dan
analisa terhadap tugas akhir ini, maka
didapatkan kesimpulan sebagai berikut :
1. Algoritma Particle Swarm Optimization
(PSO)
dapat
digunakan
untuk
mengoptimasi permasalahan tebar benih
dan tebar pakan pada budidaya ikan mas
di Km 14 Jl.Tanjung Uban.
2. Hasil akhir dari pengujian optimasi tebar
benih dan tebar pakan dengan PSO
memperhatikan fitness yang bernilai 1
yang paling optimal yaitu dengan
menggunakan parameter inputan w =
0,5, 𝑐1= 1,5, 𝑐2 = 1,5 dan w = 0,9, 𝑐1=
0,25 dan 𝑐2 = 0,25, beserta jumlah
pembangkitan
populasi
(swarm)
sebanyak 100.
3. Beberapa
percobaan
dapat
menghasilkan nilai fitness terbaik yang
diharapkan, yakni 1 pada pembangkitan
populasi (swarm) dan iterasi yang cukup
besar, namum pada beberapa percobaan
tidak dapat menghasilkan nilai fitness 1
pada pembangkitan populasi (swarm)
dan iterasi maksimal yang ditentukan
dikarenakan masih ada pelanggaran
constraint yang belum dapat di optimasi
berdasarkan pembangkitan populasi
pada
algoritma
particle
swarm
optimization bersifat acak (random)
yang selalu berubah.
4. Optimasi tebar benih dan tebar pakan
pada budidaya ikan mas di Km 14
Jl.Tanjung Uban pada tugas akhir ini
dapat menghasilkan tebar benih dan
tebar pakan pada tiap-tiap kolam yang
optimal tanpa pelanggaran constraint,
yaitu sudah tidak ada ditemukan adanya
Pakan Tidak Ideal (PTI=0) dan Kolam
Tidak Ideal (KTI=0).
DAFTAR PUSTAKA
Ariani, D., 2011, Optimasi Penjadwalan
Mata Kuliah di Jurusan Teknik
Informatika
Pens
dengan
Menggunakan Algoritma Particle
Swarm Optimization (PSO).
Jurnal
Teknik
Informatika,
Politeknik Elektronika Negeri
Surabaya, Institut Teknologi
Bandung, Bandung, 1-11.
Ardiansyah, R.F., 2011, Pengenalan Pola
Tanda
Tangan
dengan
Menggunakan Metode Principal
Component Analysis (PCA).
Jurnal
Teknik
Informatika,
Universitas Dian Nuswantoro,
Semarang.
Dorigo, M., dan Stutzle, T., 2004, Ant
Colony optimization, London,
England: MIT Press Cambridge.
Haupt, R.L., dan Haupt, S.E., 2004,
Practical Genetic Algorithms,
Second Edition, Wiley, Canada.
Kennedy, J., dan Eberhart, R.C., 2001,
Swarm Intelligence, United States
of America.
Kusmarna, I., 2013, Rancang Bangun
Aplikasi
Penjadwalan
Mata
Kuliah Menggunakan Particle
Swarm Optimization
(PSO),
Skripsi, Universitas Islam Negeri
Sultan Syarif Kasim Riau,
Pekanbaru.
B. Saran
Dengan melihat hasil yang didapatkan
dari uji coba maka disarankan :
13
Khairuman, H., 2013, Budidaya Ikan Mas,
Cetakan Pertama, Jakarta.
Marginingtyas, M., Mahmudy, W.F., dan
Indriati.,
2015,
Penentuan
Komposisi Pakan Ternak untuk
Memenuhi Kebutuhan Nutrisi
Ayam Petelur dengan Biaya
Minimum
Menggunakan
Algoritma
Genetika,
Jurnal
Mahasiswa PTIIK Universitas
Brawijaya, 5(12).
Marbun,
Y.,
2013,
Perbandingan
Algoritma Genetika dan Particle
Swarm
Optimization
dalam
Optimasi
Penjadwalan
Matakuliah, Skripsi, Universitas
Maritim
Raja
Ali
Haji,
Tanjungpinang.
Mansur., 2014, Perancangan Sistem
Informasi Penjadwalan Resource
Perguruan Tinggi Menggunakan
Metode
Particle
Swarm
Optimization
(PSO).
Jurnal
Teknik Informatika, Politeknik
Negeri Bengkalis, 4(2), 75-86.
Payung, C., 2015, Wawancara pada
Budidaya Ikan Mas, Jl. Tanjung
Uban Km 14.
Ruey., dan Chen, M., 2011, Particle Swarm
Optimization with Justification
and Designed Mechanisms for
Resource-Constrained
Project
Scheduling Problem, Expert
Systems with Applications, 38,
7102-7111.
Rachman, R.A., Syarif, D., dan Sari, R.P.,
2012, Analisa dan Penerapan
Metode
Particle
Swarm
Optimization pada Optimasi
Penjadwalan
Kuliah,
Jurnal
Teknik Informatika, 1, 1-10.
Sommerville,
I.,
2009,
Software
Engineering,
Ninth
Edition,
United States of America.
Wati, D.A.R., 2013, Perbandingan Unjuk
Kerja Algoritma PSO dan
Algoritma ABCO pada Optimasi
Pengendali
PID.
Seminar
Nasional ke 8 Rekayasa Teknologi
Industri dan Informasi, Sekolah
Tinggi Teknologi Nasional, 14
Desember 2013, 1-7.
Wati, D.A.R., dan Rochman, Y.A., 2013,
Model Penjadwalan Matakuliah
Secara
Otomatis
Berbasis
Algoritma
Particle
Swarm
Optimization
(PSO).
Jurnal
Rekayasa Sistem Industri, 2(1),
22-31.
Wardani, L.K., Safrizal, M., dan Chairi, A.,
2011, Optimasi Komposisi Bahan
Pakan
Ikan
Air
Tawar
Menggunakan Metode MultiObjective Genetic Algorithm,
Seminar
Nasional
Aplikasi
Teknologi
Informasi,
Yogyakarta,17-18 Juni 2011, 112117.
Tuegeh, D., Soeprijanto, A., dan P, Hery,
M., 2011, Optimal Generator
Scheduling Based on Particle
Swarm Optimization. Seminar
Nasional
Informatika,
Yogyakarta, 23 Mei 2009, A25A32.
Zuldora, R., 2015, Optimasi Tebar Benih
dan Pakan pada Suatu Kolam
Menggunakan
Algoritma
Genetika, Skripsi, Universitas
Maritim
Raja
Ali
Haji,
Tanjungpinang.
14