Professional Documents
Culture Documents
PENGESAHAN
FORMULASI PAKAN TERNAK UNGGAS MENGGUNAKAN NON-DOMINATED
SORTING GENETIC ALGORITHM II
SKRIPSI
Diajukan untuk memenuhi sebagian persyaratan
memperoleh gelar Sarjana Komputer
Disusun oleh:
Eko Kurniawan Subha
NIM. 105060801111067
Skripsi ini telah diuji dan dinyatakan lulus pada
20 Januari 2016
Telah diperiksa dan disetujui oleh:
Dosen Pembimbing I
Dosen Pembimbing II
Mengetahui
Ketua Program Studi Informatika/Ilmu Komputer
ii
PERNYATAAN ORISINALITAS
Saya menyatakan dengan sebenar-benarnya bahwa sepanjang pengetahuan
saya, di dalam naskah skripsi ini tidak terdapat karya ilmiah yang pernah diajukan
oleh orang lain untuk memperoleh gelar akademik di suatu perguruan tinggi dan
tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh
orang lain, kecuali yang secara tertulis dikutip dalam naskah ini dan disebutkan
dalam sumber kutipan dan daftar pustaka.
Apabila ternyata dalam naskah skripsi ini dapat dibuktikan terdapat unsurunsur plagiasi, saya bersedia skripsi ini digugurkan dan gelar akademik yang saya
peroleh (sarjana) dibatalkan, serta diproses sesuai dengan peraturan perundangundangan yang berlaku (UU No. 20 Tahun 2003, Pasal 25 ayat 2 dan Pasal 70).
iii
KATA PENGANTAR
Alhamdulillah, segala puji dan syukur penulis panjatkan kehadirat Allah
subhanahu wata'ala atas berkah dan anugerah-Nya sehingga penulis bisa
menyelesaikan skripsi yang berjudul FORMULASI PAKAN TERNAK UNGGAS
MENGGUNAKAN NON-DOMINATED SORTING GENETIC ALGORITHM II, sebagai
salah satu syarat untuk menyelesaikan studi di Program Studi Informatika
Fakultas Ilmu Komputer (FILKOM) Universitas Brawijaya.
Penulis menyadari bahwa skripsi ini selesai bukan semata-mata upaya penulis
sendiri melaikan karena adanya bantuan dari berbagai pihak. Oleh karena itu,
penulis mengucapkan terima kasih banyak kepada:
1. Imam Cholissodin, S.Si., M.Kom. dan Edy Santoso, S.Si., M.Kom., selaku dosen
pembimbing skripsi yang telah membimbing dan mengarahkan penulis
sehingga bisa menyelesaikan skripsi ini.
2. Dr. Ir. Eko Widodo, M.Agr.Sc., selaku pakar dalam penelitian skripsi ini, yaitu
tentang formulasi pakan ternak unggas.
3. Ibu dan Bapak yang selalu memberikan dukungan, semangat, dan doa untuk
penulis.
4. Drs. Marji, M.T., selaku Ketua Program Studi Informatika/Ilmu Komputer
Fakultas Ilmu komputer Universitas Brawijaya.
5. Segenap Dosen yang telah mendidik dan menyampaikan ilmu kepada penulis
selama menempuh pendidikan di Universitas Brawijaya.
6. Segenap karyawan Fakultas Ilmu Komputer Universitas Brawijaya yang telah
membantu penulis selama mengerjakan skripsi.
7. Teman-teman yang telah memberikan saran dan dorongan kepada penulis
selama mengerjakan skripsi.
8. Semua pihak yang telah membantu penulis selama mengerjakan skripsi, yang
tidak bisa penulis sebutkan satu per satu.
Penulis menyadari bahwa penulisan skripsi ini jauh dari kesempurnaan. Oleh
karena itu, penulis mengharapkan masukan berupa saran yang membangun dari
semua pihak demi penyempurnaan selanjutnya. Semoga Allah ridho terhadap
upaya pengerjaan skripsi ini, mencatatnya sebagai amal ibadah, dan menjadikan
skripsi ini bermanfaat kepada semua pihak.
Malang, 8 Januari 2016
Penulis
ekosubha@gmail.com
iv
ABSTRAK
Eko Kurniawan Subha. 2016. Formulasi Pakan Ternak Unggas Menggunakan
Non-dominated Sorting Genetic Algorithm II. Skripsi Program Studi
Informatika/Ilmu Komputer, Fakultas Ilmu Komputer Universitas Brawijaya.
Pembimbing: Imam Cholissodin, S.Si., M.Kom. dan Edy Santoso, S.Si., M.Kom.
Pakan merupakan salah satu sendi dalam usaha peternakan unggas yang di
sebagian besar usaha peternakan unggas, biaya pakan mencapai 60-75%. Untuk
meminimalkan biaya produksi peternakan, salah satu cara yang dapat digunakan
adalah meramu pakan sendiri. Meramu sendiri untuk mendapatkan pakan yang
murah harus memperhatikan kebutuhan nutrisi unggas. Kandungan fosfor dan
nitrogen dalam protein pada pakan yang tidak dicerna oleh unggas akan terbuang
bersama ekstreta. Terbuang kedua unsur ini ke lingkungan dapat memberikan
dampak negatif pada lingkungan. Penambahan senyawa nitrogen pada
lingkungan dapat mengubah keseimbangan alami nitrat dan nitrit yang pada
akhirnya dapat menyebabkan efek negatif kesehatan pada manusia dan hewan.
Masalah ini mendorong peternak untuk menyusun formula pakan yang murah,
ramah lingkungan, namun kebutuhan nutrisi ternak tetap terpenuhi. Salah satu
metode yang dapat digunakan untuk mengoptimasi permasalahan multitujuan
adalah Non-dominated Sorting Genetic Algorithm II (NSGA-II). Dalam penelitian
ini, NSGA-II digunakan untuk mengotimasi formula pakan ternak unggas untuk
menghasilkan pakan yang murah, ramah lingkungan, namun tetap memenuhi
kebutuhan nutrisi ternak. Evaluasi fitness digunakan untuk membantu memilih
solusi (formula pakan) berbaik dari beberapa solusi tak terdominasi yang
dihasilkan metode NSGA-II. Berdasarkan hasil pengujian, formulasi pakan ternak
terbaik diperoleh dengan menggunakan parameter genetika yaitu, jumlah
generasi 50; ukuran populasi 450; probabilitas crossover 0,8; probabilitas mutasi
0,2; indeks distribusi crossover 20; dan indeks distribusi mutasi 50. Dengan
parameter optimal ini, pemenuhan kebutuhan nutrisi ternak mencapai 100%
dengan efisiensi biaya mencapai 65,44% (tanpa menghitung faktor biaya
pengolahan bahan pakan menjadi pakan dan aktifitas produksi pakan lainnya).
Kandungan fosfor dan protein dalam pakan sangat kecil, mendekati kebutuhan
minimal fosfor dan protein.
Kata kunci: formulasi pakan ternak unggas, permasalahan optimasi multitujuan,
NSGA-II.
ABSTRACT
Eko Kurniawan Subha. 2016. Bird Feed Formulation Using Non-dominated
Sorting Genetic Algorithm II. Minor Thesis of Informatics/Computer Science
Study Program, Faculty of Computer Science of Universitas Brawijaya.
Advisors: Imam Cholissodin, S.Si., M.Kom. and Edy Santoso, S.Si., M.Kom.
Feed is one of the factor in a poultry farm businesses which in most poultry
farm reaches 60-75%. To minimize the cost of livestock production, one of the
ways that can be used are mix feed ingredient for their own poultry farm. Feed
self-mixing to get a less cost feed must pay attention to the nutritional needs of
poultry. The content of phosphorus and nitrogen in the proteins in the feed that is
not digested by birds will be wasted together ekstreta. Wasted these two
elements into the environment can have a negative impact on the environment.
The addition of nitrogen compounds in the environment can alter the natural
balance of the nitrate and nitrite, which in turn can cause negative health effects
in humans and animals. This problem pushing breeder to formulate less cost feed
formula, environmentally friendly, but the nutritional needs of cattle remain
unfulfilled. One method that can be used to optimize multi-objective problem is
Non-dominated Sorting Genetic Algorithm II (NSGA-II). In this study, NSGA-II is
used to optimize poultry feed formula to produce less cost feed, environmentally
friendly, but still meet the nutritional needs of cattle. Fitness evaluation is used to
choose best solution (feed formula) from non-dominated solutions produced by
NSGA-II. Based on the results of testing, the best feed formula obtained by using
genetic parameters, namely, generation number 50, the population size of 450,
the probability of crossover 0.8, mutation probability of 0.2, distribution index
crossover 20, and the mutation distribution index 50. With these optimal
parameters, meeting the nutritional needs of cattle reach 100% by the cost
efficiency reached 65.44% (without counting the cost factor feedstuff processing
into feed and other feed production activities). The content of phosphorus and
protein in the diet is very small, approaching the minimum requirement of
phosphorus and protein.
Keywords: birds feed formulation, multi-objective optimization problem, NSGA-II.
vi
DAFTAR ISI
PENGESAHAN....................................................................................................
ii
PERNYATAAN ORISINALITAS..............................................................................
iii
KATA PENGANTAR.............................................................................................
iv
ABSTRAK............................................................................................................
ABSTRACT..........................................................................................................
vi
DAFTAR TABEL...................................................................................................
DAFTAR GAMBAR..............................................................................................
xii
DAFTAR LAMPIRAN...........................................................................................
xvi
BAB 1 PENDAHULUAN.......................................................................................
1.3 Tujuan..................................................................................................
1.4 Manfaat...............................................................................................
11
14
2.4.1 Dominasi.....................................................................................
16
19
19
21
25
27
28
28
28
28
vii
28
3.1.4 Implementasi..............................................................................
29
29
29
3.2 Perancangan........................................................................................
29
29
31
31
68
87
BAB 4 IMPLEMENTASI.......................................................................................
91
91
91
91
91
92
93
94
96
97
99
viii
ix
DAFTAR TABEL
Tabel 2.1 Perbedaan Penelitian Sebelumnya dengan Skripsi Penulis...............
68
Tabel 3.2 Batas Penggunaan Bahan Pakan untuk Ayam Petelur Starter...........
69
69
70
Tabel 3.5 Hasil Evaluasi Fungsi Tujuan dan Fungsi Kendala Populasi Awal.......
72
74
76
77
78
78
79
79
80
81
85
87
88
89
90
92
94
Tabel 4.3 Kode Sumber Evaluasi Fungsi Tujuan dan Fungsi Kendala................
94
96
97
99
xi
DAFTAR GAMBAR
Gambar 2.1 Representasi Ruang Variabel Keputusan (kiri) dan Ruang Tujuan
(kanan)........................................................................................
15
18
Gambar 2.3 (a) Solusi Pareto-optimal Global dan (b,c) Solusi Pareto-optimal
Lokal............................................................................................
18
19
20
22
23
24
25
25
28
32
33
34
35
36
37
38
38
39
40
41
42
42
xii
43
43
44
45
45
46
47
48
49
50
51
52
53
54
54
55
56
Gambar 3.32 Diagram Alir Subproses Fast Non-dominated Sort, Bagian 1......
57
Gambar 3.33 Diagram Alir Subproses Fast Non-dominated Sort, Bagian 2......
58
Gambar 3.34 Diagram Alir Subproses Fast Non-dominated Sort, Bagian 3......
59
Gambar 3.35 Diagram Alir Subproses Fast Non-dominated Sort, Bagian 4......
60
60
61
62
63
64
65
66
67
xiii
67
xiv
DAFTAR PERSAMAAN
Persamaan (2.1)................................................................................................
13
Persamaan (2.2)................................................................................................
13
Persamaan (2.3)................................................................................................
13
Persamaan (2.4)................................................................................................
13
Persamaan (2.5)................................................................................................
13
Persamaan (2.6)................................................................................................
13
Persamaan (2.7)................................................................................................
14
Persamaan (2.8)................................................................................................
14
Persamaan (2.9)................................................................................................
17
Persamaan (2.10)..............................................................................................
17
Persamaan (2.11)..............................................................................................
17
Persamaan (2.12)..............................................................................................
24
Persamaan (2.13)..............................................................................................
24
Persamaan (2.14)..............................................................................................
26
Persamaan (2.15)..............................................................................................
26
Persamaan (2.16)..............................................................................................
26
Persamaan (2.17)..............................................................................................
27
Persamaan (2.18)..............................................................................................
27
Persamaan (2.19)..............................................................................................
27
Persamaan (2.20)..............................................................................................
27
Persamaan (2.21)..............................................................................................
27
Persamaan (2.22)..............................................................................................
27
Persamaan (3.1)................................................................................................
30
Persamaan (3.2)................................................................................................
30
Persamaan (3.3)................................................................................................
30
Persamaan (3.4)................................................................................................
30
Persamaan (3.5)................................................................................................
31
Persamaan (3.6)................................................................................................
31
xv
DAFTAR LAMPIRAN
LAMPIRAN A KOMPOSISI BAHAN PAKAN TERNAK UNGGAS............................ 124
LAMPIRAN B BATAS MAKSIMAL PENGGUNAAN BAHAN PAKAN TERNAK
AYAM DAN ITIK............................................................................. 126
LAMPIRAN C KEBUTUHAN NUTRISI UNGGAS PEDAGING DAN PETELUR......... 127
LAMPIRAN D TRANSKRIP WAWANCARA DENGAN PAKAR................................ 128
LAMPIRAN E HASIL UJI COBA JUMLAH GENERASI............................................ 130
LAMPIRAN F HASIL UJI COBA KOMBINASI PROBABILITAS CROSSOVER DAN
PROBABILITAS MUTASI................................................................ 145
LAMPIRAN G HASIL UJI COBA UKURAN POPULASI........................................... 157
xvi
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Pakan merupakan salah satu sendi dalam usaha peternakan yang
mendapatkan alokasi dana terbesar. Di sebagian besar usaha peternakan unggas,
biaya pakan mencapai 65-75% dari biaya total produksi (Poultry Hub, 2015);
dalam usaha peternakan ayam maupun itik, biaya pakan mencapai 60-75% dari
biaya total produksi (Widodo, 2010); sedangkan dalam usaha peternakan babi,
biaya pakan mencapai 55-70% dari biaya total produksi (Pea, Lara, dan
Castrodeza, 2009). Besarnya biaya pakan mejadi faktor penentu utama biaya
produksi peternakan yang perlu mendapatkan perhatian khusus.
Faktor pakan memiliki peranan penting dalam pencapaian salah satu tujuan
usaha peternakan. Pakan yang baik dapat memaksimalkan hasil produksi ternak
seperti daging, telur, dan susu. Untuk meningkatkan produktivitas ternak, upaya
yang dapat dilakukan adalah memperbaiki kualitas formula pakan. Akan lebih
baik jika peternak menggunakan pakan buatan sendiri untuk peternakan mereka
seperti yang dilakukan oleh peternakan berskala menengah dan besar.
Peternakan berskala menengah dan besar memilih untuk membentuk model
peternakan self-mix yang memiliki mini feed mill untuk memproduksi pakan bagi
ternak dalam peternakan mereka (Toriq, 2008). Dengan menggunakan pakan
buatan sendiri, peternak dapat menentukan tingkat produktivitas yang ingin
dicapai dan hal ini dapat membantu peternak agar mandiri.
Di sisi lain, peternak harus menanggung resiko kenaikan biaya produksi
dengan margin keuntungan yang semakin kecil bahkan mengalami kerugian.
Salah satu penyebab kenaikan biaya produksi adalah kenaikan harga pakan.
Kenaikan harga pakan sulit dihindari karena harga bahan baku pakan seperti
jagung dan bungkil kedelai yang sebagian besar masih mengimpor juga tinggi.
Untuk menekan biaya produksi, banyak peternak membuat pakan sendiri.
Formulasi pakan adalah penerapan pengetahuan tentang gizi, bahan pakan,
dan ternak di dalam pengembangan pakan yang bergizi yang akan diberikan dan
dikonsumsi oleh ternak unggas dalam jumlah tertentu, dan cukup memenuhi
kebutuhan (Direktorat Pembinaan Sekolah Menengah Kejuruan, 2014). Formulasi
pakan juga diartikan sebagai proses mengukur sejumlah bahan baku pakan yang
perlu dikombinasikan untuk membentuk campuran tunggal yang seragam
(ransum) untuk unggas, yang memasok semua kebutuhan gizi unggas (Poultry
Hub, 2015).
Dalam usaha peternakan, hal-hal yang dapat dilakukan untuk memaksimalkan
keuntungan, yaitu meminimalkan biaya pakan dan memaksimalkan hasil produksi
ternak. Penggunaan pakan berkualitas rendah untuk meminimalkan biaya pakan
merupakan tindakan yang tidak benar karena pakan yang tidak memiliki nutrisi
cukup dapat mengurangi produktivitas ternak. Namun, penggunaan pakan
dengan nutrisi berlebih dapat memicu kegemukan berlebih yang sebenarnya
tidak diperlukan, terbuangnya zat makanan tertentu (misalnya lisin) secara sia-sia
1
karena tidak bisa disimpan dalam tubuh, bahkan memicu peningkatan polusi
yang diakibatkan oleh forsor (Castrodeza, Lara, dan Pea, 2005) dan nitrogen
dalam protein (Lampiran D) dari hasil ekskresi ternak. Kandungan fosfor dan
nitrogen dalam protein pada pakan yang tidak dicerna oleh unggas akan terbuang
bersama ekstreta. Terbuang kedua unsur ini ke lingkungan dapat memberikan
dampak negatif pada lingkungan; penambahan senyawa nitrogen pada
lingkungan dapat mengubah keseimbangan alami nitrat dan nitrit yang pada
akhirnya dapat menyebabkan efek negatif kesehatan pada manusia dan hewan
(Amazine, 2013). Realitas formulasi pakan ternak unggas tidak terbatas pada satu
tujuan pencapaian. Adanya tuntutan di bidang-bidang yang berhubungan dengan
usaha peternakan, memunculkan tujuan baru seperti di bidang lingkungan, yaitu
meminimalkan kandungan fosfor dan protein untuk mengurangi polusi
lingkungan. Permasalahan formulasi pakan ternak unggas yang memiliki lebih
dari satu kriteria atau memiliki lebih dari satu tujuan yang ingin dicapai
merupakan permasalahan multitujuan (multi-objective problem).
Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan
optimasi adalah algoritma genetika. Algoritma genetika merupakan metode
optimasi paling populer yang banyak digunakan di berbagai bidang, yang sering
menghadapi masalah optimasi dengan model matematika kompleks atau bahkan
sulit dibangun (Mahmudy, 2013). Beberapa contoh aplikasi algoritma genetika
dalam beberapa bidang, yaitu algoritma genetika untuk kompresi citra (Ciptayani,
Mahmudy, dan Widodo, 2009), penyusunan rute dan jadwal kunjungan wisata
(Widodo dan Mahmudy, 2010), optimasi penjadwalan ujian (Mawaddah dan
Mahmudy, 2006), dan optimasi penugasan mengajar bagi dosen (Mahmudy,
2006). Algoritma genetika standar sering digunakan untuk menyelesaikan
permasalahan optimasi satu tujuan. Karena formulasi pakan ternak unggas dalam
skripsi ini merupakan permasalahan multitujuan, maka metode yang akan
digunakan adalah versi algoritma genetika yang mendukung optimasi
multitujuan.
Penyelesaian masalah optimasi multitujuan pernah dilakukan pada formulasi
pakan ternak ikan air tawar (Wardani, Safrizal, dan Chairi, 2011). Dalam
penelitian tersebut, pendekatan weighted-sum (Multi-Objective Genetic
Algorithm, MOGA) digunakan untuk mengoptimasi komposisi bahan pakan ikan.
Pendekatan weighted-sum termasuk pendekatan tradisional, yang dilakukan
dengan cara memberikan bobot pada masing-masing fungsi tujuan dan
menggabungkan semua fungsi tujuan menjadi satu fungsi tujuan. Solusi yang
diperoleh melalui pendekatan ini sangat sensitif terhadap bobot yang digunakan
dalam proses agregasi, menuntut pengambil keputusan untuk memiliki
pengetahuan yang tepat tentang permasalahan yang ingin diselesaikan (Srinivas
dan Deb, 1994).
Non-dominated Sorting Genetic Algorithm II (NSGA-II) merupakan algoritma
genetika berbasis non-domination yang diperkenalkan setelah versi sebelumnya
(NSGA) mendapatkan kritikan (Deb et al., 2002). NSGA-II dapat membangkitkan
solusi yang lebih baik dengan kalkulasi yang sedikit (Hozairi et al., 2014);
1.3 Tujuan
Tujuan penelitian dalam skripsi ini adalah sebagai berikut:
1. Untuk membuat program aplikasi formulator pakan ternak unggas
menggunakan metode NSGA-II.
2. Untuk mengetahui ukuran populasi, probabilitas crossover, probabilitas
mutasi, dan jumlah generasi paling optimal yang dapat digunakan untuk
menyelesaikan permasalahan formulasi pakan ternak unggas.
1.4 Manfaat
Manfaat penelitian ini adalah sebagai berikut:
1. Mempermudah peternak dalam memformulasikan pakan ternak.
2. Memberikan kontribusi dalam memberikan pengetahuan tentang penerapan
NSGA-II untuk menyelesaikan permasalahan formulasi pakan ternak unggas.
Objek
Metode
Keluaran
Masukan
Proses
Hasil Penelitian
MOGA
Komposisi bahan
pakan ikan
- Komposisi bahan
pakan
- Inisialisasi populasi
MOGA memberikan
hasil yang baik dalam
formulasi pakan ikan
air tawar dengan
jumlah individu = 200;
panjang kromosom =
5; pc = 0,01; pm = 0,2;
dan generasi maksimal
=5
- Perhitungan fitness
- Kebutuhan nutrisi
ikan
Penentuan Pareto
optimality
Tahapan elitism
- Seleksi
- Ukuran populasi
- Crossover
- Jumlah generasi
- Mutasi
- Probabilitas
crossover
- Replacement
- Pengecekan kondisi
berhenti
- Probabilitas mutasi
- Probabilitas elitism
- Panjang kromosom
Implementation of
Distribusi kapal perang NSGA-II
nondominated sorting angkatan laut
genetic algorithm-II
Indonesia
(NSGA-II) for
multiobjective
optimization problems
on distribution of
Indonesian navy
warship
- Data kapal perang
- Memasukkan data
Kombinasi
penempatan kapal
perang pada setiap
sektor operasi patroli
laut Indonesia
Objek
Metode
Keluaran
Masukan
Proses
Hasil Penelitian
angkatan laut
- Inisialisasi populasi
- Seleksi
- Crossover
- Data wilayah
kerentanan dan
kondisi geografis
- Mutasi
- Evaluasi fungsi tujuan
populasi offsring
- Data biaya
operasional dan
model penugasan
- Kombinasi populasi
induk dan populasi
offspring
- Fast non-dominated
sort
- Pemberian nilai
crowding distance
- Replacement
- Pengecekan kondisi
berhenti
- Memilih satu solusi
terbaik
NSGA-II
Satu solusiterbaik
berupa market
clearing
- Memasukkan data
sistem daya
NSGA-II memberikan
hasil yang superior
dibandingkan hasil
yang diberikan oleh
algoritma genetika
berbasis real-coded,
dan membantu
mengambil keputusan
untuk pasar kliring
yang lebih baik
- Inisialisasi populasi
- Ukuran populasi
- Perhitungan fitness
dan crowding
distance
- Jumlah generasi
- Probabilitas
crossover
- Seleksi
- Probabilitas mutasi
- Crossover
- Mutasi
- Replacement
Objek
Metode
Keluaran
Masukan
Proses
Hasil Penelitian
- Pengecekan kondisi
berhenti
Usulan:
Formulasi pakan
ternak unggas
menggunakan Nondominated Sorting
Genetic Algorithm II
Formulasi pakan
ternak unggas
NSGA-II
- Data komposisi
bahan pakan
- Memasukkan data
komposisi bahan
pakan, kebutuhan
nutrisi unggas,
batasan penggunaan
bahan pakan, dan
jumlah pakan yang
akan dibuat
- Data kebutuhan
nutrisi unggas
- Data batasan
penggunaan bahan
pakan
- Jumlah pakan yang
akan dibuat
- Inisialisasi populasi
- Seleksi
- Jumlah variabel
- Crossover
- Ukuran populasi
- Mutasi
- Jumlah generasi
- Penggabungan
populasi induk dan
populasi offspring
- Probabilitas
crossover
- Probabilitas mutasi
- Fast non-dominated
sort
- Crowding distance
- Replacement
- Pengecekan kondisi
berhenti
Sumber: (Wardani, Safrizal, dan Chairi, 2011; Hozairi et al., 2014; Saini dan Saraswat,
2012)
panduan pembuatan pakan ternak ayam dan itik (Widodo, 2010), zat makanan
bahan pakan ternak yang digunakan dalam penyusunan ransum untuk unggas
adalah Energi Metabolis (EM), Protein Kasar (PK), Lemak Kasar (LK), Serat Kasar
(SK), Kalsium (Ca), Fosfor (P), Lisin (Lis), dan Metionin (Met).
karboksil dari asam amino yang lain, dengan membebaskan satu molekul air
(H2O). Protein dibentuk dari 22 jenis macam asam amino, tetapi dari ke-22 jenis
asam amino tersebut yang berfungsi sebagai penyusun utama protein hanya 20
macam. Dari 20 macam asam amino tersebut ternyata ada sebagian yang dapat
disintesis dalam tubuh ternak, sedangkan sebagian lainnya tidak dapat disintesis
dalam tubuh unggas sehingga harus didapatkan dari pakan. Asam amino yang
harus ada atau harus didapatkan dari pakan disebut asam amino esensial. Asam
amino yang termasuk dalam kelompok ini adalah metionin dan fenilalanin. Asam
amino yang dapat disintesis dalam tubuh disebut asam amino nonesensial, tetapi
apabila esensial untuk metabolisme maka disebut pula sebagai asam amino
esensial metabolik. Contohnya adalah alanin, glisin, prolin dan serin. Di samping
itu ada pengelompokan asam amino setengah esensial karena asam amino ini
hanya dapat disintesis dalam tubuh dalam jumlah yang terbatas dari substrat
tertentu. Asam amino yang termasuk dalam kelompok ini adalah tirosin, sistin
dan hidroksilisin (Widodo, n.d.). Kandungan nitrogen dalam protein yang tidak
dicerna oleh unggas akan dikeluarkan melalui proses ekskresi. Penambahan
senyawa nitrogen pada lingkungan dapat mengubah keseimbangan alami nitrat
dan nitrit yang pada akhirnya dapat memberikan efek negatif pada kesehatan
manusia dan hewan (Amazine, 2013).
3. Lemak
Lemak adalah kelompok senyawa heterogen yang masih berkaitan, baik
secara aktual maupun potensial dengan asam lemak. Lipid mempunyai sifat
umum yang relatif tidak larut dalam air dan larut dalam pelarut nonpolar seperti
eter, kloroform dan benzena. Dalam tubuh, lemak berfungsi sebagai sumber
energi yang efisien secara langsung dan secara potensial bila disimpan dalam
jaringan adiposa. Lemak berfungsi sebagai penyekat panas dalam jaringan
subkutan dan sekeliling organ-organ tertentu, dan lipid nonpolar bekerja sebagai
penyekat listrik yang memungkinkan perambatan cepat gelombang depolarisasi
sepanjang syaraf bermielin (Widodo, n.d.).
4. Mineral
Mineral adalah padatan senyawa kimia homogen, nonorganik, yang memiliki
bentuk teratur dan terbentuk secara alami (Wikipedia, 2015). Mineral berperan
dalam memelihara kondisi ionik dalam tubuh, memelihara keseimbangan asam
basa tubuh, memelihara tekanan osmotik cairan tubuh, menjaga kepekaan otot
dan syaraf, mengatur transport zat makanan dalam sel, mengatur permeabilitas
membran sel dan kofaktor enzim, dan mengatur metabolisme (Widodo, n.d.).
Kebutuhan ternak akan mineral merupakan bagian yang tidak terpisahkan
dari kepentingan produksi ternak itu sendiri. Kebutuhan tersebut menyangkut
antara lain untuk perbaikan dan pertumbuhan jaringan seperti dalam paruh dan
tulang. Komposisi mineral dari tulang segar adalah kalsium 36%, fosfor 17%, dan
magnesium 0,8%. Juga untuk perbaikan dan pertumbuhan bulu, tanduk dan
kuku, jaringan lunak, dan sel darah. Kebutuhan akan mineral juga menyangkut
kepentingan untuk regulator tubuh seperti proses regulasi dalam bentuk ion,
10
molekul, komponen vitamin, dan pembentukan enzim dan hormon. Selain itu
juga untuk kebutuhan produksi seperti produksi telur, daging, susu, dll (Widodo,
n.d.).
Kalsium erat sekali hubungannya dengan pembentukan tulang. Sumber utama
kebutuhan segera tulang baru, terdapat dalam cairan tubuh dan sel. Kalsium juga
sangat penting dalam pengaturan sejumlah besar aktivitas sel yang vital, fungsi
syaraf dan otot, kerja hormon, pembekuan darah, motilitas seluler, dan khusus
pada ayam petelur berguna untuk pembentukan kerabang telur (Widodo, n.d.).
Fosfor berfungsi sebagai pembentuk tulang, persenyawaan organik,
metabolisme energi, karbohidrat, asam amino dan lemak, transportasi asam
lemak, dan bagian koenzim. Fosfor sebagai fosfat memainkan peranan penting
dalam struktur dan fungsi semua sel hidup. Oleh karena itu, kekurangan fosfor
akibat defisiensi makanan biasa tidak terjadi. Fosfat terdapat dalam sel-sel
sebagai ion bebas pada konsentrasi beberapa miliekuivalen per liter dan juga
merupakan bagian penting asam-asam nukleat, nukleotida, dan beberapa protein
(Widodo, n.d.). Namun, kandungan forfor berlebih dapat penyebabkan
pencemaran lingkungan yang dikeluarkan melalui proses ekskresi (Castrodeza,
Lara, dan Pea, 2005).
11
12
pakan (pengawasan mutu pakan) dan formulasi pakan bisa dibuat sesuai
kebutuhan. Pada dasarnya, ada dua sistem peracikan pakan, yaitu semi self
mixing dan total self mixing. Terkadang, peternak memilih untuk mencampur
konsentrat buatan pabrik dengan bahan pakan lain, sistem peracikan ini disebut
dengan semi self mixing. Bahan pakan yang biasa digunakan dalam semi self
mixing adalah jagung dan bekatul. Total self mixing adalah sistem peracikan yang
dalam prosesnya, peternak benar-benar mencampur sendiri berbagai macam
bahan pakan menjadi ransum (Info Medion, 2013).
Dalam memformulasi pakan, peternak menghitung harga yang akan
dikeluarkan dan kandungan nutrisi yang ada pada pakan. Hal ini dilakukan
sebelum mengimplementasikan formula pakan dalam proses pencampuran
bahan pakan. Harga dan total kandungan setiap zat makanan dalam pakan
digunakan sebagai indikator pemenuhan kebutuhan zat makanan. Nilai ini dapat
dihitung menggunakan Persamaan (2.1) (Widodo, 2010).
n
kt i = a ij x j
(2.1)
j=1
dengan
x j=
bj
(2.2)
bj
j =1
kti adalah kriteria ke-i dalam pakan yang akan dihitung nilai totalnya. kti dapat
berupa harga pakan, kandungan EM, PK, LK, SK, Ca, P, Lis, dan Met. aij adalah nilai
kriteria ke-i dalam bahan ke-j dan bj adalah proporsi bahan ke-j. n adalah jumlah
bahan yang akan digunakan dalam pakan.
Dalam proses seleksi formula pakan, nilai penalti dibutuhkan untuk
menentukan kualitas formula. Penalti menyatakan tingkat pemenuhan suatu
formula. Semakin kecil nilai penalti suatu formula pakan, maka formula pakan
tersebut semakin memenuhi batasan-batasan dalam memformulasikan pakan.
Nilai penalti dapat dihitung menggunakan Persamaaan (2.3) (Lampiran D).
k
i=1
j =1
(2.3)
pt adalah nilai penalti formula pakan; pai digunakan dalam konteks kebutuhan
nutrisi, yaitu nilai penalti untuk pemenuhan zat makanan ke-i; dan pbj digunakan
dalam konteks batasan penggunaan bahan pakan, yaitu nilai penalti untuk
pemenuhan batasan penggunaan bahan pakan ke-j. Nilai pai dan pbj didapatkan
dengan mematuhi pola aturan pada Persamaan (2.4), Persamaaan (2.5), dan
Persamaaan (2.6).
pm t < lb t ,
pc t= pm tlbt
(2.4)
(2.5)
lb t pmt ubt ,
(2.6)
pct =0
pmt adalah nilai pemenuhan kriteria pembatas ke-t; lbt dan ubt adalah batas
13
minimal dan batas maksimal kriteria pembatas ke-t yang harus dipenuhi; dan pct
adalah nilai pemenuhan kriteria pembatas. Dalam konteks kebutuhan nutrisi, pmt
adalah kti; lbt dan ubt adalah Li (batas minimal zat makanan ke-i dalam pakan)
dan Ui (batas maksimal zat makanan ke-i dalam pakan); dan pct adalah pai.
Sedangkan dalam konteks batasan penggunaan bahan pakan, pmt adalah bj; lbt
dan ubt adalah rj dan sj (batas minimal dan maksimal penggunaan bahan pakan
ke-j dalam pakan); dan pct adalah pbj.
Min/Maks f (x)
dengan
x S ,
S ={x Rm : g ( x)0, h(x )=0}
f adalah fungsi tujuan, x adalah variabel keputusan (parameter), dan S adalah
himpunan kendala yang harus dipenuhi oleh fungsi tujuan yang juga berarti
ruang pencarian.
Secara umum, masalah multitujuan berkendala dapat dinyatakan dalam
model matematis seperti pada Persamaan (2.8) (Deb, 2001).
Min/ Maks f m ( x ),
m=1, 2, ... , M ;
(2.8)
subject to
g j (x )0,
j=1,2, ... , J ;
hk (x )=0,
k =1,2, ... , K ;
(L)
(U )
x i x ix i ,
i=1, 2,... , n .
Berdasarkan Persamaan (2.8), ada M fungsi tujuan f(x) = (f1(x), f2(x), , fM(x))T.
Solusi x merupakan vektor yang terdiri dari n variabel keputusan: x = (x1, x2, ,
xn)T. Fungsi tujuan ini terikat pada sejumlah J kendala pertidaksamaan dan K
kendala persamaan. Notasi gj(x) 0 dan hk(x) 0 masing-masing merupakan
fungsi kendala pertidaksamaan dan fungsi kendala persamaan. Kendala terakhir
merupakan batasan variabel, untuk membatasi masing-masing nilai variabel
keputusan xi antara batas bawah xi(L) dan batas atas xi(U). Batasan ini merupakan
14
ruang variabel keputusan D (atau ruang keputusan). Terminologi titik (point) dan
solusi dapat digunakan bergantian untuk menunjukkan solusi vektor x. Solusi
yang tidak memenuhi semua kendala (J + K) dan batasan variabel disebut solusi
infeasible (tidak layak). Sebaliknya, jika ada solusi x memenuhi semua kendala
dan batasan variabel, maka solusi x disebut solusi feasible (layak). Oleh karena
itu, dengan adanya kendala, seluruh ruang variabel keputusan D tidak perlu
feasible. Himpunan semua solusi feasible disebut feasible region atau ruang
pencarian (search space, S) (Deb, 2001).
Dalam optimasi multitujuan, masing-masing fungsi tujuan bisa berupa fungsi
minimalisasi atau maksimalisasi. Dalam konteks optimasi, berdasarkan prinsip
dualitas, disarankan agar mengonversikan masalah maksimalisasi ke dalam
masalah minimalisasi dengan mengalikan fungsi tujuan dengan -1. Hal ini
dilakukan untuk mempermudah dalam mengatasi fungsi-fungsi tujuan yang
berbeda (minimalisasi dan maksimalisasi) dalam suatu masalah optimasi
multitujuan (Deb, 2001).
Optimasi tujuan tunggal berbeda dengan optimasi multitujuan. Salah satu
perbedaan mencolok antara keduanya adalah bahwa dalam optimasi
multitujuan, fungsi tujuan membentuk ruang multidimensi, sebagai tambahan
selain adanya ruang variabel keputusan. Ruang tambahan ini disebut objective
space (ruang tujuan), Z. Ilustrasi kedua ruang ini dan pemetaan antara keduanya
dapat dilihat pada Gambar 2.1. Untuk setiap solusi x dalam ruang variabel
keputusan, terdapat titik di ruang tujuan, dilambangkan dengan f(x) = z = (z1, z2,
, zM)T. Pemetaan berlangsung antara vektor solusi berdimensi n dengan vektor
tujuan berdimensi M.
15
2.4.1 Dominasi
Dalam optimasi multitujuan, tujuan yang diinginkan sering bersaing antara
tujuan yang satu dengan yang lainnya. Oleh karena itu, dalam optimasi
multitujuan, solusi optimal didefinisikan dalam terminologi solusi tak
terdominasi (Non-dominated Solutions).
Ruang pencarian multitujuan menggunakan konsep dominasi dalam arti
bahwa dua solusi berhubungan satu sama lain dengan dua kemungkinan, yaitu
salah satu dari solusi tersebut mendominasi solusi yang lain atau tidak
mendominasi. Misal ada sejumlah M fungsi tujuan. Untuk menangani fungsi
tujuan minimalisasi dan maksimalisasi, operator digunakan antara dua solusi i
dan j, yaitu i j untuk menyatakan bahwa solusi i lebih baik dari pada solusi j
pada tujuan tertentu. Demikian pula, i j memiliki arti, solusi i lebih buruk dari
pada solusi j pada tujuan tertentu. Solusi x(1) dikatakan mendominasi solusi x(2)
lainnya (x(1) x(2)) jika kedua kondisi berikut bernilai benar, yaitu (Deb, 2001):
1. Solusi x(1) tidak lebih buruk dari pada solusi x(2) di semua fungsi tujuan, yang
dapat dimodelkan dengan notasi: fj(x(1)) fj(x(2)) di semua j = 1, 2, ..., M.
2. Solusi x(1) benar-benar lebih baik dari pada solusi x(2), paling tidak di satu
fungsi tujuan, yang dapat dimodelkan dengan notasi: fj(x(1)) fj(x(2)) paling
tidak di satu fungsi tujuan j {1, 2, ..., M}.
Jika solusi x(1) mendominasi solusi x(2), maka dapat dikatakan bahwa solusi x(1)
lebih unggul dari pada solusi x(2).
Definisi dominasi di atas menyatakan hubungan dominansi antara dua solusi.
Ada tiga kemungkinan yang bisa terjadi dalam dominansi antara solusi 1 dan
solusi 2, yaitu (i) solusi 1 mendominasi solusi 2, (ii) solusi 1 didominasi oleh solusi
2, atau (iii) solusi 1 dan solusi 2 tidak saling mendominasi. Hubungan dominansi
antara dua solusi memiliki sifat-sifat berikut ini (Deb, 2001):
Reflektif: Hubungan dominansi tidak reflektif, karena solusi p tidak mendominasi
dirinya sendiri sehingga kondisi kedua dalam definisi dominasi tidak dapat
terpenuhi.
Simetris: Hubungan dominansi tidak juga simetris, karena p q tidak berarti q
p. Namun, kebalikannya benar, bahwa jika p mendominasi q, maka q tidak
mendominasi p, sehingga hubungan dominansi bersifat asimetris.
Antisimetris: Karena hubungan dominansi tidak simetris, maka pasti tidak
antisimetris.
Transitif: Hubungan dominansi bersifat transitif karena jika p q dan q r,
maka p r.
Hal penting lainnya yang harus diperhatikan dalam dominansi adalah, jika solusi
p tidak mendominasi solusi q, bukan berarti q mendominasi p (Deb, 2001).
Hubungan dominansi yang dijelaskan sebelumnya terkadang mengacu pada
dominansi lemah. Hubungan dominansi dikatakan lemah jika solusi x(1)
16
mendominasi solusi x(2), paling tidak di satu fungsi tujuan hingga M1 tujuan.
Hubungan dominansi solusi x(1) dan solusi x(2) dikatakan kuat atau solusi x(1)
dikatakan benar-benar mendominasi solusi x(2) (x(1) x(2)), jika solusi x(1) benarbenar lebih baik dari pada solusi x(2) di semua M tujuan (Deb, 2001).
Dalam masalah optimasi multitujuan minimalisasi dengan m variabel
keputusan dan n tujuan dapat dimodelkan secara matematis seperti pada
Persamaan (2.9) (Zitzler, Deb, dan Thiele, 2000).
Min y =f (x )=(f 1 ( x ) ,... , f n( x));
(2.9)
dengan
x=( x 1 ,... , x m )X ,
(2.10)
a dikatakan solusi Pareto-optimal jika dan hanya jika a tidak terdominasi dalam X.
Dengan himpunan solusi yang ada (atau titik dalam ruang fungsi tujuan),
apakah suatu titik mendominasi titik yang lain dapat dilihat pada Gambar 2.2(a).
Semua titik yang tidak didominasi oleh anggota lain disebut sebagai titik tak
terdominasi (non-dominated points), yaitu titik 3, 5, dan 6 (Deb, 2011a). Vektor
keputusan Pareto-optimal tidak bisa ditingkatkan di fungsi tujuan manapun tanpa
mengorbankan paling tidak di satu tujuan, sehingga menghasilkan trade-off yang
terbaik (Deb, 2011a; Zitzler, Deb, dan Thiele, 2000). Pada Gambar 2.2(a), titik 6
mengorbankan tujuan ke-2 untuk mendapatkan trade-off yang baik pada tujuan
ke-1. Kumpulan titik yang tidak terdominasi ini membentuk front jika
diperhatikan secara bersama dalam ruang fungsi tujuan, sehingga kumpulan titik
ini sering divisualisasikan untuk representasi non-domination front seperti pada
Gambar 2.2(b) (Deb, 2011a).
17
Dengan konsep pada Gambar 2.2, akan lebih mudah untuk mendefinisikan
solusi Pareto-optimal dalam MOOP. Jika himpunan titik pada Gambar 2.2(a) berisi
semua titik dalam ruang pencarian (dengan asumsi tercacahkan), titik yang ada di
non-dominated front, secara definisi, tidak didominasi oleh titik lain dalam ruang
fungsi tujuan, sehingga titik ini disebut titik Pareto-optimal (atau front Paretooptimal) dan vektor variabel keputusan yang berkaitan disebut solusi Paretooptimal (Deb, 2011a).
Seperti halnya dalam optimasi tujuan tunggal, dalam optimasi multitujuan
ada solusi optimal lokal dan global, yaitu solusi Pareto-optimal lokal dan solusi
Pareto-optimal global. P dikatakan solusi Pareto-optimal lokal jika untuk setiap
anggota x dalam himpunan P, tidak ada solusi y (di sekitar x sedemikian hingga
y x , dimana adalah bilangan kecil positif) yang mendominasi anggota
P. P dikatakan solusi Pareto-optimal global jika tidak ada solusi dalam seluruh
ruang pencarian S feasible yang mendominasi anggota P, dengan kata lain, solusi
tak terdominasi dari seluruh ruang pencarian S feasible merupakan sulusi Paretooptimal global (Deb, 2011a). Perbedaan antara solusi Pareto-optimal lokal dan
solusi Pareto-optimal global dapat diperhatikan pada Gambar 2.3.
Gambar 2.3 (a) Solusi Pareto-optimal Global dan (b,c) Solusi Pareto-optimal
Lokal
Sumber: Diadaptasi dari Deb (2001)
18
Menurut Deb (2001), ada dua sasaran dalam optimasi multitujuan, yaitu:
1. Menemukan himpunan solusi yang sedekat mungkin dengan front Paretooptimal.
2. Menemukan himpunan solusi yang berbeda sebisa mungkin.
19
Proses awal algoritma genetika adalah inisialisasi, yaitu penciptaan individuindividu awal secara acak. Tahap selanjutnya adalah evaluasi, yaitu untuk
menghitung nilai fitness setiap individu awal. Untuk kelangsungan hidup
populasi, maka harus melakukan reproduksi dengan menghasilkan individu baru.
Dalam proses reproduksi ada dua operator genetika yaitu crossover (perkawinan
silang) dan mutasi. Individu baru akan dievaluasi untuk mengetahui nilai fitnessnya. Setelah itu, akan dilakukan pemilihan individu yang akan ada dalam populasi
generasi selanjutnya. Proses reproduksi hingga seleksi akan terus diulang hingga
terpenuhinya kondisi yang mengijinkan iterasi ini berhenti.
Di dalam algoritma genetika ada beberapa terminologi yang harus dipahami
untuk menyelesaikan permasalahan. Berikut ini adalah beberapa terminologi
dalam algoritma genetika (Basuki, 2003):
1. Gen (genotype) adalah sebuah nilai yang menyatakan satuan dasar yang
membentuk suatu arti tertentu dalam satu kesatuan gen (kromosom). Dalam
algoritma genetika, gen bisa disandikan dalam bilangan biner, float, integer,
maupun karakter.
2. Alel (Allele) adalah nilai gen.
3. Kromosom adalah gabungan dari beberapa gen yang membentuk nilai
tertentu.
4. Individu adalah suatu nilai atau keadaan yang menyatakan salah satu solusi
yang mungkin dari permasalahan yang diangkat.
5. Populasi adalah sekumpulan individu yang akan diproses bersama dalam satu
siklus evolusi.
6. Generasi adalah satuan siklus evolusi.
7. Fitness adalah kualitas individu yang menyatakan seberapa baik nilai dari
suatu individu atau solusi yang didapatkan.
20
dengan
2. Evaluasi fungsi tujuan. Mengevaluasi nilai fungsi tujuan (dan fungsi kendala
jika ada) setiap individu dalam populasi awal.
3. Reproduksi. Menerapkan proses seleksi induk, simulated binary crossover,
dan polymonial mutation hingga diperoleh N offspring.
4. Evaluasi fungsi tujuan. Mengevaluasi nilai fungsi tujuan (dan fungsi kendala
jika ada) setiap individu dalam populasi offspring.
5. Kombinasi populasi. Menggabungkan populasi generasi saat ini/induk (Pt)
dengan populasi offspring (Qt). Populasi gabungan ini bisa juga disebut
populasi intermediate (Rt)
6. Non-domination sorting. Setiap individu dalam populasi intermediate diurut
berdasarkan non-domination. Pseudocode pengurutan individu berdasarkan
dominasi dapat dilihat pada Gambar 2.7.
7. Crowding distance assignment. Menghitung jarak antara individu dengan
individu tetangga. Pseudocode penghitungan crowding distance dapat dilihat
pada Gambar 2.9.
8. Penggantian populasi. Memilih N individu terbaik dari populasi intermediate
untuk menggantikan populasi induk. Selama proses pemilihan N individu
terbaik, setiap individu diberi nilai crowding distance menggunakan prosedur
crowding distance assignment sebagaimana dideskripsikan pada Gambar 2.9.
Individu yang berada dalam front 1 lebih diutamakan dari pada individu
lainnya yang berada dalam front lain. Jika ukuran front 1 kurang dari N, maka
semua individu dalam front 1 dipilih sebagai anggota populasi baru (Pt+1). Sisa
anggota populasi Pt+1 dipilih dari anggota front selanjutnya berdasarkan
peringkatnya. Sehingga individu dari front 2 dipilih, diikuti oleh front 3, dst.
Prosedur ini dilanjutkan hingga tidak ada lagi himpunan individu bisa
ditampung. Misal front l adalah himpunan non-domination terakhir yang bisa
ditampung. Secara umum, jumlah individu di front 1 hingga front l akan lebih
besar dari ukuran populasi. Untuk memilih N anggota populasi secara tepat,
maka perlu mengurut front terakhir l menggunakan operator crowded-
21
comparison (n) secara descending dan pilih individu terbaik yang dibutuhkan
untuk mengisi slot populasi. Operator crowded-comparison dapat dilihat pada
Persamaan (2.13). Populasi baru (Pt+1) digunakan dalam generasi berikutnya
dan diproses untuk membentuk offspring Qt+1. Proses NSGA-II untuk generasigenerasi selanjutnya dapat dilihat pada Gambar 2.6.
9. Pemeriksaan kondisi berhenti. Melanjutkan iterasi ke tahap reproduksi
selama tidak memenuhi kondisi berhenti.
10. Solusi Pareto-optimal. Himpunan individu dalam front 1 merupakan
himpunan solusi terbaik yang bisa digunakan dalam proses selanjutnya untuk
memilih satu solusi terbaik.
Rt = Pt Qt
F = fast-non-dominated-sort(Rt)
Pt+1 = and i = 1
until |Pt+1|+|Fi| N
crowding-distance-assignment(Fi)
Pt+1 = Pt+1 Fi
i = i + 1
sort(Fi n)
Pt+1 = Pt+1 Fi[1:(N|Pt+1|)]
Qt+1 = make-new-pop(Pt+1)
t = t + 1
22
I [i]distance =
(2.12)
Pada Persamaan (2.12), parameter I[i].m adalah nilai fungsi tujuan ke-m dari
solusi ke-i dalam himpunan I. Sedangkan parameter fmmax dan fmmin nilai
maksimum dan minimum fungsi tujuan ke-m. Perhitungan ini dilanjutkan dengan
fungsi tujuan lainnya. Nilai crowding distance total adalah jumlah jarak solusi
untuk masing-masing fungsi tujuan. Algoritma perhitungan crowding distance
dapat dilihat pada Gambar 2.9.
Dengan semua anggota populasi dalam himpunan I memiliki metrik jarak,
pengguna dapat membandingkan dua solusi berdasarkan tingkat kedekatannya
dengan solusi lainnya. Sebuah solusi dengan nilai jarak yang lebih kecil, dalam arti
tertentu, lebih dekat terhadap solusi lain. Inilah yang sebenarnya dibandingkan
dalam pendekatan crowded-comparison. Operator crowded-comparison (n)
memandu proses seleksi dalam berbagai tahapan algoritma menuju front Paretooptimal yang menyebar secara seragam. Misal setiap individu i dalam populasi
memiliki atribut fitness/non-domination rank (irank) dan crowding distance (idistance),
maka definisi n dapat dilihat pada Persamaan (2.13) (Deb et al., 2002).
in j
if i rank < j rank ((i rank= j rank )(i distance > j distance ))
24
(2.13)
induk; jika r > 0,5 maka q terpilih sebagai induk (Deb, 2011b).
Simulated binary crossover (SBX) diajukan oleh Deb dan Agrawal (1995). SBX
didesain dengan mengadopsi properti yang dimiliki one-point crossover dalam
algoritma genetika binary-coded. Operator SBX menghasilkan offspring y(1) dan y(2)
dari dua induk x(1) dan x(2). Prosedur SBX berikut ini digunakan untuk variabel
yang memiliki batasan. Operator SBX diterapkan pada individu, variabel demi
variabel. Prosedur crossover dilakukan jika random[0,1] pc. random[0,1] adalah
nilai antara 0 dan 1 yang dibangkitkan secara acak. Berikut ini adalah prosedur
SBX (Deb, 2000).
1. Membangkitkan nilai acak u antara 0 dan 1.
2. Menghitung nilai parameter menggunakan Persamaan (2.14).
{(
1
nc +1
( u) ,
=
1
1
n +1
,
2 u
1
jika u>
jika u
(2.14)
dengan
=2(n +1)
2
(1)
l
u
(2)
=1+ (2) (1) min [( x x ),(x x )]
y y
c
x1 dan xu adalah batas bawah dan batas atas variabel. Operator SBX
menggunakan indek distribusi crossover (nc) bernilai nonnegatif. Semakin kecil
nilai nc maka solusi yang dihasilkan akan semakin berbeda dengan induk.
Semakin besar nilai nc maka solusi yang dihasilkan akan semakin sama dengan
induk.
3. Menghitung variabel offspring y(1) dan y(2) menggunakan Persamaan (2.15)
dan Persamaan (2.16).
y (1) =0,5[( x (1 )+ x (2))|x(2)x (1)|]
y (2) =0,5[( x (1 )+ x (2))+ |x(2)x (1)|]
(2.15)
(2.16)
26
Persamaan (2.17).
1
nm+1 nm +1
= [2 u+(12u)(1)
1
2
1
jika u>
2
jika u
,
1
nm +1 nm +1
1[2(1u)+2(u0,5)(1)
(2.17)
dengan
min [(xx l),(x ux )]
=
(xu xl )
3. Tahap terakhir adalah menghitung variabel offspring y menggunakan
Persamaan (2.18) (Deb, 2000).
(2.18)
y=x + max
dengan
max=x ux l
(2.19)
(2.20)
fitness 1=
(2.21)
(2.22)
27
Implementasi
Pengujian dan Analisa
Pengambilan Kesimpulan
Gambar 3.1 Diagram Alir Metode Penelitian
28
3.1.4 Implementasi
Mengimplementasi hasil perancangan menjadi program aplikasi formulasi
pakan ternak unggas, menggunakan bahasa pemrograman Java dan Netbeans
IDE 8.0.1.
3.2 Perancangan
Produk akhir dari penelitian ini adalah program aplikasi formulasi pakan
ternak unggas, sehingga pada subbab perancangan akan dibagi menjadi
beberapa bagian yaitu pengembangan model matematika formulasi pakan ternak
unggas, pengambilan keputusan, analisis kebutuhan perangkat lunak dan
perancangan perangkat lunak.
29
dioptimasi, yaitu:
1. Tujuan di bidang ekonomi adalah untuk menghasilkan pakan yang murah.
Bidang ekonomi merupakan fungsi tujuan pertama (f1) dan utama. Kriteria
yang dioptimasi dalam bidang ekonomi adalah harga. Model matematis
fungsi tujuan pertama dapat dilihat pada Persamaan (3.1) (Castrodeza, Lara,
dan Pea, 2005).
n
f 1= c j x j
(3.1)
j=1
f 2 = p j x j
(3.2)
j =1
n
f 3= pr j x j
(3.3)
j=1
pj dan prj adalah kandungan fosfor dalam bahan ke-j dan kandungan protein
dalam bahan ke-j.
Daerah variasi atau variabel keputusan x dan proporsi bahan (b) diikat oleh
dua jenis kendala/batasan yang harus dipenuhi, yaitu:
1. Kendala untuk memastikan kandungan nutrisi pada pakan memenuhi
kebutuhan nutrisi ternak unggas, dengan kata lain kendala ini digunakan
untuk mencapai tujuan pemenuhan kebutuhan nutrisi ternak unggas. Kendala
ini mendefinisikan jumlah minimal dan/atau maksimal dari zat makanan
seperti energi metabolis, protein, serat, dll. Pemodelan kendala ini dapat
dilihat pada Persamaaan (3.4).
n
Li a ij x jU i ,
(3.4)
i=1,... , k
j=1
Li adalah batas minimal zat makanan ke-i dalam pakan, Ui adalah batas
maksimal zat makanan ke-i dalam pakan, dan k adalah jumlah zat makanan
yang dipertimbangkan.
2. Kendala yang membatasi proporsi bahan pakan dalam pakan. Kendala yang
digunakan untuk membatasi proporsi bahan pakan dapat dilihat pada
Persamaaan (3.5), namun dalam proses komputasi akan menggunakan
Persamaaan (3.6) untuk memastikan bahwa proporsi bahan yang dipilih untuk
digunakan dalam formulasi tidak bernilai 0.
30
b js j ,
(3.5)
j=1, ... , n
r jb js j ,
(3.6)
j=1, ... , n
rj dan sj adalah batas minimal dan maksimal penggunaan bahan pakan ke-j
dalam pakan.
Maka, formulasi dari permasalahan multitujuan penyusunan pakan ternak
unggas dalam penelitian ini adalah sebagai berikut:
Min f1, Min f2, Min f3 memenuhi x S
n
31
mulai
masukan: bahan pakan terpilih,
ternak terpilih,
jumlah ransum,
popSize adalah ukuran populasi,
maxGen adalah jumlah generasi maksimal,
Pc adalah probabilitas crossover,
Pm adalah probabilitas mutasi,
IDc adalah indeks distribusi crossover,
IDm adalah indeks distribusi mutasi
maxEval = popSize * (maxGen + 1)
selesai
32
(daftar bahan pakan, daftar ternak unggas, dan daftar batasan penggunaan
bahan pakan) yang dimiliki program aplikasi akan diolah berdasarkan
masukan pengguna (bahan pakan dan ternak unggas yang dipilih), sehingga
batasan pengguaan bahan pakan yang dipilih dalam memformulasikan pakan
untuk ternak unggas yang dipilih dapat diketahui.
4. Tahap selanjutnya adalah melakukan formulasi pakan menggunakan NSGA-II.
Tahap ini akan menghasilkan beberapa solusi tak terdominasi.
5. Solusi tak terdominasi yang dihasilkan dari proses NSGA-II, akan dievaluasi
nilai fitness-nya sehingga bisa didapatkan satu solusi terbaik sebagai solusi
yang paling mendekati optimal.
6. Solusi yang paling mendekati optimal akan ditampilkan kepada pengguna
berupa formula pakan ternak unggas yaitu proporsi masing-masing bahan
yang dipilih dan kandungan nutrisi dalam pakan tersebut.
1.a. Set Batasan Penggunaan Bahan Pakan Terpilih
Subproses Set Batasan Penggunaan Bahan Pakan Terpilih digunakan untuk
melakukan pengirisan antara data aset (daftar bahan pakan, daftar ternak
unggas, dan daftar batasan penggunaan bahan pakan) yang dimiliki program
aplikasi dan masukan pengguna (bahan pakan dan ternak unggas yang dipilih),
sehingga diperoleh batasan penggunaan bahan pakan yang dipilih sebagai
penyusun pakan. Diagram alir subproses Set Batasan Penggunaan Bahan Pakan
Terpilih dapat dilihat pada Gambar 3.3 dan Gambar 3.4. Secara garis besar, pada
tahap ini, bahan pakan yang dipilih digunakan untuk mengiris data aset daftar
bahan pakan kemudian data hasil irisan ini akan iiris kembali dengan ternak
unggas yang dipilih pengguna sehingga diperoleh data batasan penggunaan
bahan pakan yang dipilih sebagai penyusun pakan untuk ternak unggas yang
dipilih pengguna.
set batasan penggunaan
bahan terpilih
mulai
Tidak
ada ternak
yang dipilih
Ya
i=0
Gambar 3.3 Diagram Alir Subproses Set Batasan Penggunaan Bahan Terpilih,
Bagian 1
33
2
Tidak
Ya
i < |DB|
Tidak
field ternak
data ke-i dalam DB =
ternak terpilih
Ya
tambahkan data ke-i dalam DB
ke dalam DB_H
i ++
i=0
Tidak
i < |DB_H|
Ya
j=0
Tidak
j < jumlah
bahan terpilih
Ya
Tidak
field bahan
data ke-i dalam DB_H =
bahan terpilih ke-j
Ya
tambahkan data ke-i dalam DB_H
ke dalam DB_T
j ++
i ++
return
34
mulai
evaluations = 0
i=0
Tidak
i < popSize
Ya
membangkitkan individu
mengevaluasi fungsi tujuan
mengevaluasi fungsi kendala
evaluations = ++
menambahkan individu ke populasi
i ++
35
1
Tidak
Ya
i=0
Tidak
i < (popSize/2)
Ya
evaluations < maxEval
Tidak
Ya
binary tournament selection
simulated binary crossover
polynomial mutation
mengevaluasi fungsi tujuan
mengevaluasi fungsi kendala
menambahkan offspring ke
populasi offspring
evaluations += 2
i ++
36
remain = popSize
index = 0
front = front ke-index
Tidak
Ya
Ya
Tidak
Ya
remain > 0
37
k=0
Tidak
k < remain
Ya
evaluasi fitness
i=0
Tidak
i < solutionSet.size
Ya
1
38
fitness = 0
fitness1 = 0; fitness2 = 0; fitness3 = 0
fitness1 += (1 / f1i * 0.01)
fitness2 += (1 / f2i * 0.01)
fitness3 += (1 / f3i * 0.01)
fitness += (fitness1 + fitness2 + fitness3)
fitness solutionSet ke-i = fitness
i ++
39
membangkitkan individu
mulai
Ya
!confirmed
i=0
Tidak
i < numbVars
Ya
i++
confirmed = konfirmasi
pemenuhan nutrisi
40
memenuhi batasan yang ada pada sesi Pemodelan Permasalahan, maka individu
dinyatakan terkonfirmasi. Tahapan dalam subproses Konfirmasi Pemenuhan
Nutrisi dapat dilihat pada Gambar 3.12 dan Gambar 3.13.
konfirmasi pemenuhan
nutrisi
mulai
ns = 0
tot_p = 0
j=0
Tidak
j<n
Ya
j++
i=0
Tidak
Ya
i<k
Tidak
b_min-i kt[i]
b_maks-i
Ya
ns++
1
i++
Gambar 3.12 Diagram Alir Subproses Konfirmasi Pemenuhan Nutrisi, Bagian 1
41
1
Tidak
Ya
ns = k
return
mulai
i=0
Tidak
i<k
Ya
KN = 0
3
42
1
Tidak
j < numbVars
Ya
kt[i] = KN
i++
return
mulai
fx[] adalah nilai fungsi tujuan,
variable[] adalah variabel keputusan,
n adalah jumlah variabel keputusan,
tot_p adalah total proporsi bahan dalam pakan
fx[] = array[3]
variable[] = array[n]
1
43
1
n
tot_p = variable [i ]
i=0
fx[0] = 0
i=0
Tidak
i<n
Ya
i<n
Ya
i<n
Ya
44
mulai
constraint[] adalah nilai fungsi kendala,
variable[] adalah variabel keputusan,
n adalah jumlah variabel keputusan,
k adalah jumlah zat makanan
constraint[] = array[n+k]
variable[] = array[n]
1
45
cc = 0
c=0
Tidak
c<k
Ya
c++
c=0
Tidak
c<k
Ya
cc++
c++
total = 0
number = 0
i=0
Tidak
Ya
i < (n+k)
46
2
Tidak
constraint[i] < 0
Ya
total += constraint[i]
number++
i++
47
pemenuhan zat
makanan
mulai
pemenuhanNutrien = 0
j=0
Tidak
j<n
Ya
pemenuhanNutrien +=
(acj * (variable[j]/tot_p))
j++
Tidak
pemenuhanNutrien
kebutuhanMin
Ya
pemenuhamNutrien = kebutuhanMin
Tidak
pemenuhanNutrien
kebutuhanMin
Ya
pemenuhanNutrien = kebutuhanMaks
pemenuhanNutrien
return
48
mulai
pemenuhan bahan
Ya
pemenuhanBahan <= r
pemenuhanBahan = r
Tidak
Ya
pemenuhanBahan >= s
pemenuhanBahan = s pemenuhanBahan
return
49
binary tournament
selection
mulai
Tidak
solution1 solution2
Tidak
Ya
parent = solution1
solution2 solution1
Ya
parent = solution2
Tidak
Tidak
Ya
cd.solution1 >
cd.solution2
cd.solution2 >
cd.solution1
parent = solution1
Ya
parent = solution2
Ya
rand < 0,5
parent = solution1
parent = solution2
return
50
mulai
Tidak
r1 pc
Ya
i=0
51
1
Tidak
i<n
Ya
x1 = parent1.variable[i]
x2 = parent2.variable[i]
Tidak
r2 0,5
Ya
Tidak
Ya
Tidak
x1 < x2
Ya
y1 = x1
y1 = x1
y2 = x2
y2 = x2
u (1 / alpha)
Ya
betaq = (alpha * u) ^
(1 / (nc + 1))
Ya
u (1 / alpha)
Tidak
c1 < xL
Ya
c1 = xL
Tidak
c2 < xL
Ya
c2 = xL
Tidak
c1 > xU
Ya
c1 = xU
Tidak
c2 > xU
Ya
c2 = xU
offSpring[0].variable[i] = c1
3
53
3
offSpring[0].variable[i] = c2
offSpring[0].variable[i] = x1
offSpring[1].variable[i] = x2
offSpring[0].variable[i] = x2
offSpring[1].variable[i] = x1
i++
return
mulai
54
1
x = solution
i=0
Tidak
Ya
i<n
r1 = bilangan acak
antara 0 dan 1
Tidak
Ya
r1 pm
y = x.variable[i]
Tidak
u 0,5
xy = 1 delta2
xy = 1 delta1
val = 2 * (1 u) + 2 *
(u 0,5 ) * (xy ^ (nm + 1))
val = 2 * u + (1 2 * u) *
55
Tidak
y > xL
Ya
y = xL
Tidak
y > xU
Ya
y = xU
x.variable[i] = y
i++
return
56
mulai
p=0
Ya
Tidak
p<n
iDominate[p] =
dominateMe[p] = 0
p ++
p=0
Ya
Tidak
p < (n 1)
q=p+1
Tidak
Ya
q<n
flagDominate =
pembanding penalti
Tidak
flagDominate = 0
Ya
57
flagDominate =
pembanding dominasi
Tidak
flagDominate = -1
Ya
tambahkan q ke iDominate[p]
Ya
Tidak
flagDominate = 1
dominateMe[q]++
tambahkan p ke iDominate[q]
dominateMe[p]++
p ++
p=0
Tidak
Ya
p<n
Tidak
Ya
dominateMe[p] = 0
tambahkan p ke front[0]
rank.p = 0
p ++
i=0
Tidak
Ya
front[i] tidak
kosong
58
p=0
Tidak
p < front[i].size
Ya
ip adalah indeks solusi
ke-p dalam front[i]
q=0
Tidak
Ya
q < iDominate[ip].size
dominateMe[iq] = 1
Tidak
Ya
dominateMe[iq] = 0
tambahkan iq ke
front[i + 1]
rank.iq = i +1
q ++
p ++
i++
59
8
f=0
Tidak
Ya
f<i
|frontSet[f]| = front[f].size
fm = 0
Ya
Tidak
fm < front[f].size
return
mulai
pembanding penalti
Tidak
Ya
60
Tidak
Tidak
Ya
overall2 < overall1
flagDominate = 0
Tidak
Ya
flagDominate = 1
flagDominate = -1
Ya
flagDominate = 1
Tidak
overall1 = 0 dan
overall2 < 0
flagDominate = 0
Ya
flagDominate = -1
return
61
pembanding
dominasi
mulai
i=0
Tidak
Ya
i<M
value1 = solution1.fi
value2 = solution2.fi
Tidak
value1 < value2
Tidak
Ya
Ya
fLess += 1
fMore += 1
fequal += 1
i ++
Tidak
Tidak
fMore = 0
& fEqual !=M
fLess = 0
& fEqual !=M
Ya
Ya
dominate = -1
dominate = 1
dominate = 0
return
62
mulai
front = solutionSet
l = size
Tidak
Ya
l=0
Tidak
Ya
l=1
Tidak
cd-0 =
Ya
l=2
cd-0 =
cd-1 =
cd semua individu = 0
63
i=0
Ya
Tidak
i<M
j=1
Tidak
Ya
j < (l2)
distance = obi(j + 1) obi(j 1)
distance /= (objMax
objMin)
distance += cd-j
cd-j = distance
j++
i++
return
64
65
66
67
EM
PK
LK
SK
Ca
P
Lis
Met
(Kkal/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg)
1000
2860
10,2
0,04
0,16
0,71
0,27
1500
2100
41
4,8
12
0,18
0,33
1,6
0,6
3700
2200
42
1,9
17
0,2
0,2
1,8
0,5
4000
2240
42
0,9
0,29
0,65
2,9
0,65
68
EM
PK
LK
SK
Ca
P
Lis
Met
(Kkal/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg)
2100
2200
18,5
2,5
15
0,2
0,57
0,64
0,29
2800
3370
8,6
3,9
0,02
0,1
0,2
0,18
250
37
800
3390
8,9
0,03
0,4
0,27
8000
8600
100
10
5000
2650
58
5,5
2,8
1,8
Tabel 3.2 Batas Penggunaan Bahan Pakan untuk Ayam Petelur Starter
Batas
Penggunaan
(%)
Bahan
1
10
Minimal (r)
0,1
0,1
0,1
0,1
0,1
0,1
0,1
0,1
0,1
0,1
Maksimal (s)
10
30
10
60
40
Ketika bahan pakan dipilih untuk digunakan dalam formulasi pakan, proporsi
bahan tersebut tidak boleh bernilai 0. Sehingga dalam pengembangan program
aplikasi ini, penggunaan minimal bahan pakan yang digunakan adalah 0,1.
Tabel 3.3 Kebutuhan Nutrisi Ayam Petelur Starter
Zat Makanan
Kebutuhan
EM
PK
LK
SK
Ca
P
Lis
Met
(Kkal/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg)
Minimal (L)
2800
19
0,9
0,6
0,85
0,38
Maksimak (U)
1,1
0,8
69
Kromosom
8
10
Total
6,3
3,2
1,9
28,9
1,5
1,8
0,9
28
1,5
5,1
79,1
3,6
0,9
1,1
11,7
7,7
7,2
0,8
27,6
0,8
6,5
67,9
2,1
1,8
23
7,5
5,1
0,9
31,1
2,1
6,3
81,9
5,5
1,3
4,4
13
3,1
9,1
0,8
24,4
0,6
6,5
68,7
0,9
2,9
1,8
27,8
1,9
17,2
0,9
13,4
1,5
6,1
74,4
4,3
2,9
15,1
2,4
1,2
38,7
0,4
6,4
83,4
2,7
3,2
1,9
26,1
8,3
4,3
1,1
24
2,1
6,5
80,2
8,8
4,1
4,2
0,6
0,9
0,4
24
0,2
5,7
50,9
2,7
0,6
21,9
8,8
6,4
1,1
37,4
2,3
91,2
10
4,1
0,4
2,6
12,1
6,2
1,8
0,5
19,7
0,7
6,4
54,5
71
f2
f3
Kendala
(pn)
2554,2984 0,6036
26,2616
2258,1738 0,634
21,1816
2529,8535 0,6248
24,0515
2397,9622 0,6008
22,8525
3073,9919 0,6018
27,2501
2055,2758 0,6068
22,1598
2707,9177 0,6458
26,3824
1748,723
20,5972
2379,5504 0,614
22,5026
10
2463,578
24,8134
0,6047
0,7099
4. Reproduksi
Reproduksi digunakan untuk membentuk populasi offspring (Qt). Reproduksi
terdiri dari proses seleksi induk, crossover, dan mutasi. Metode seleksi yang
digunakan dalam penelitian ini adalah binary tournament selection yang
berdasarkan pada crowded-comparison operator, sedangkan metode crossover
dan mutasi yang digunakan adalah simulated binary crossover dan polynomial
mutation. Pembentukan populasi offspring dilakukan dengan mengulang proses
seleksi induk, crossover, dan mutasi hingga populasi offspring berukuran N
terbentuk, dimana N = popSize.
4.a. Seleksi Induk
Memilih dua induk (parent1 dan parent2) yang masing-masing dipilih dari dua
individu (solution1 dan solution2) yang secara acak dipilih dari populasi individu.
Pemilihan induk dari dua individu terpilih dilakukan menggunakan binary
tournament selection yang dideskripsikan dalam Gambar 2.10. Pemeriksaan
72
73
Kromosom
1
10
x1
2,7
0,6
21,9 8,8
6,4
1,1
37,4 2,3
x2
8,8
4,1
4,2
0,6
0,9
0,4
24
5,7
74
0,2
Proses berikut ini diulang untuk alel ke-i hingga alel ke-n (jumlah alel) untuk
mencari alel ke-i offspring ke-1 (y1,i) dan alel ke-i offspring ke-2 (y2,i). Jika alel x1,i >
x2,i maka alel x1,i dan x2,i saling ditukar. Berikut ini contoh menghitung alel ke-1
untuk offspring ke-1 dan offspring ke-2.
u1 = Random[0,1] = 0,84
x1,1 = 2,7; x2,1 = 8,8
x1,1 < x2,1 maka:
x1,1 = 2,7
x2,1 = 8,8
= 1 + (2 / (x2 x1) * min [(x1 xL), (xU x2)])
= 2 -(nc + 1)
(x1,1) = 1 + (2 / (x2,1 x1,1) * (x1,1 xL,1))
(x1,1) = 1 + (2 / (8,8 2,7) * (2,7 0,1))
(x1,1) = 1,85246
(x1,1) = 2 1,85246 -(20 + 1)
(x1,1) = 2 2,3838516326616497E-6
(x1,1) = 1,999998
1 / (x1,1) = 1 / 1,999998 = 0,5000005959636186
u1 > (1 / (x1,1)), maka:
(x1,1) = (1 / (2 * u1)){1 / (nc + 1)}
(x1,1) = (1 / (2 1,999998 * 0,84)) ^ (1 / (20 + 1))
(x1,1) = 1,05652
y1,1 = 0,5 * ( x1,1 + x2,1) * (x2,1 x1,1)
y1,1 = 0,5 * ((2,7 + 8,8) 1,05652 * (8,8 2,7))
y1,1 = 2,52762
y1,1 xL,1 dan y1,1 xU,1
maka y1,1 = 2,52762
(x2,1) = 1 + (2 / (x2,1 x1,1) * (xU,1 x2,1))
(x2,1) = 1 + (2 / (8,8 2,7) * (10 8,8))
(x2,1) = 1,39344
(x2,1) = 2 1,39344 -(20 + 1)
(x2,1) = 2 9,421696174053203E-4
(x2,1) = 1,99906
1 / (x2,1) = 1 / 1,99906 = 0,50024
u1 > (1 / (x2,1)), maka:
75
Offspring
10
0,2
5,7
y1
2,5
0,6
21,9 8,7
0,9
0,4
24
y2
4,1
4,2
0,7
6,4
1,1
37,4 2,3
2,1
4.c. Mutasi
Melakukan mutasi pada offspring baru menggunakan polynomial mutation.
Berikut ini adalah contoh implementasi polynomial mutation pada induk x
(offspring hasil proses crossover, y1 dan y2).
nm = 20
pm = 1 / n = 1/ 10 = 0,1
x = y1
Random[0,1] adalah bilangan acak antara 0 dan 1, sebagai penentu mutasi
pada alel yi. Jika Random[0,1] probabilitas mutasi (pm), maka alel xi akan
76
dimutasi. Berikut ini adalah contoh mutasi pada alel ke-3 induk x (x adalah y1).
rand = Random[0,1] = 0,05634
rand pm, maka lakukan mutasi
x3 = 0,6
xL = 0,1
xU = 5
u3 = Random[0,1] = 0,24326
u3 0,5 maka:
= (x3 xL) / (xU xL)
= (0,6 0,1) / (5 0,1)
= 0,10204
mut_pow = 1 / (nm + 1)
mut_pow = 1 / (20 + 1)
mut_pow = 0,04762
= {{2 * u3 + (1 2 * u3) * ((1 ) ^ (nm + 1))} ^ mut_pow} 1
= {{2 * 0,24326 + (1 2 * 0,24326) * ((1 0,80081) ^ (20 + 1))} ^
0,04762} 1
= -0,02891
y3 = x3 + * (yU yL)
y3 = 0,6 + (-0,02891) * (5 0,1)
y3 = 0,45835
Proses ini diulang untuk setiap alel x (offspring dari proses crossover, y1 dan
y2). Hasil mutasi pada offspring dari proses crossover, y1 dan y2 dapat dilihat pada
Tabel 3.8. Berdasarkan Tabel 3.8, terjadi perubahan pada alel ke-3 dari y1 dan alel
ke-6 dari y1.
Tabel 3.8 Offspring Hasil Mutasi
Kromosom
Offspring
10
0,2
5,7
y1
2,5
0,5
21,9 8,7
0,9
0,4
24
y2
4,1
4,2
0,7
2,7
1,1
37,4 2,3
2,1
77
Offspring
10
0,2
5,7
2,5
0,5
21,9 8,7
0,9
0,4
24
4,1
4,2
0,7
2,1
2,7
1,1
37,4 2,3
...
...
...
...
...
...
...
...
...
...
...
10
3,6
3,2
4,5
26,1 8,3
9,5
1,1
24
2,1
6,5
Individu
(S)
6,3
3,2
...
...
11
1,9
28,9 1,5
1,8
0,9
28
1,5
5,1
...
...
...
...
...
...
...
...
2,5
0,5
21,9 8,7
0,9
0,4
24
0,2
5,7
67,8
12
4,1
4,2
0,7
2,1
2,7
1,1
37,4 2,3
70,6
13
3,6
0,9
1,1
11,7 8,7
7,2
0,8
27,6 0,8
6,5
68,9
14
4,3
2,9
15,1 8
2,4
1,2
38,7 0,4
6,4
83,4
15
3,6
0,9
1,1
11,7 7,9
7,2
0,8
24,1 0,8
6,5
64,6
16
5,5
1,3
4,4
13
2,9
9,1
0,8
27,9 0,6
6,5
72
17
6,3
3,2
1,9
13,6 1,8
1,8
1,2
29
1,5
5,1
65,4
18
4,3
2,9
29,9 7,7
2,4
0,9
38,7 0,4
6,4
97,6
19
5,5
1,3
1,9
13
3,1
3,9
0,8
24,4 0,6
6,5
61
20
3,6
3,2
4,5
26,1 8,3
9,5
1,1
24
6,5
88,9
...
2,1
10
Total
79,1
Hasil penghitungan nilai fungsi tujuan dan nilai kendala masing-masing individu
dalam populasi intermediate dapat dilihat pada Tabel 3.11.
78
Individu
(S)
f1
f2
Kendala
(pn)
f3
2554,2984 0,6036
26,2616
...
...
...
...
11
2457,8171 0,6834
26,581
-87,2239
12
1827,9745 0,5682
17,9409
-3,6579
13
2255,8781 0,633
21,1427
14
2055,2758 0,6068
22,1598
15
2336,6873 0,6465
21,8387
-0,0102
16
2321,1111 0,5911
22,1864
-0,1061
17
2176,6055 0,5867
22,1581
-0,609
18
2355,584
0,6153
25,2477
-27,0401
19
2310,3279 0,6599
23,2828
-0,3391
20
2725,0281 0,5959
25,6352
-0,1368
...
6. Penentuan Peringkat
Setiap individu dalam populasi intermediate diberi peringkat atau fitness
berdasarkan front-nya. Letak individu dalam front dapat diketahui dengan
menggunakan algoritma fast non-dominated sort, sebagaimana dideskripsikan
dalam Gambar 2.7. Individu dalam front pertama diberi nilai fitness 1, individu
dalam front kedua diberi nilai fitness 2, dst. Pemeriksaan dominansi antara
individu p dan q dilakukan menggunakan konsep dominasi berkendala (Deb et al.,
2002). Pengurutan individu ke dalam front dapat dilihat pada Tabel 3.12 dan
Tabel 3.14. Kolom np menyatakan jumlah solusi yang mendominasi solusi p.
Kolom Sp menyatakan himpunan solusi yang didominasi oleh solusi p.
Tabel 3.12 Pengurutan Individu Berdasarkan Non-domination
p
S1
Dominasi
Sp
np
S1
S2
79
Dominasi
S20
S1 mendominasi S20
S20
S1
S20 didominasi S1
S2
S20 didominasi S2
S20
14
Sp
np
Proses pada Tabel 3.12 dilakukan untuk setiap individu p dalam populasi. Jika
np = 0, maka individu tersebut berada pada front pertama. Tahap selanjutnya
adalah menginisialisasi front counter = 1 (i = 1), kemuadian mencari anggota
front selanjutnya, seperti pada Tabel 3.13. Pada setiap mengulangan evaluasi
front ke-i (Fi), himpunan kosong Q dibuat untuk menyimpan individu dalam front
ke-(i + 1).
Tabel 3.13 Pencarian Anggota Front Selanjutnya
p dalam Fi
Fi
1
q dalam Sp
nq =
(nq 1)
Jika nq = 0 maka
Q=Qq
F1 = {S4, S8}
S4
S8
S1
S20
13
S1, S5
S2
S1, S5
S3
S1, S5
...
...
...
80
Fi
q dalam Sp
S20
nq =
(nq 1)
Jika nq = 0 maka
Q=Qq
12
S7
...
...
...
S20
11
S14
S2
...
...
...
S20
S2, S9
F3 = Q = {S2, S9}
4, 8
1, 5, 6, 13, 14
2, 9
81
3, 10
15
16
20
19
10
17
11
12
12
18
13
11
82
d1 = d2 =
Individu yang akan dipilih untuk mengisi 1 slot kosong dalam populasi Pt+1
adalah S1 (individu ke-3) karena meskipun memiliki crowding distance (d)
yang sama, S1 berada pada urutan pertama dalam front 4. Hasil pemilihan N
individu terbaik dapat dilihat pada Tabel 3.15.
2. Misal, jumlah individu dalam front > 2 (seperti pada front 2; S1, S5, S6, S13, dan
S14), maka langkah yang harus dilakukan adalah sebagai berikut:
a. Menginisialisasi crowding distance setiap individu dalam front 2 dengan
nilai 0.
d1 = d2 = d3 = d4 = d5 = 0
b. Mengurut individu berdasarkan nilai fungsi tujuan ke-1 secara ascending.
f1,3 = 2055,2758 (f minimal)
f1,5 = 2055,2758
f1,4 = 2255,8781
f1,1 = 2554,2984
f1,2 = 3073,9919 (f maksimal)
c. Menginisialisasi crowding distance individu yang ada pada urutan ke-1 dan
terakhir dengan nilai tak terbatas ().
d3 = d2 =
d. Menghitung crowding distance individu yang ada pada urutan ke-2 hingga
ke-4 (d5, d4, d1). Berikut ini adalah contoh menghitung crowding distance
individu dalam front 2.
dv
d5
d5
d5
84
ke-4 (d3, d5, d1). Berikut ini adalah contoh menghitung crowding distance
individu ke-1 dalam front.
d3 = d3 + (f3,5 f3,4) / (f3,2 f3,4)
d3 = + (22,1598 21,1427) / (27,2501 21,1427)
d3 =
d5 = d5 + (f3,1 f3,3) / (f3,2 f3,4)
d5 = 1,036660376 + (26,2616 22,1598) / (27,2501 21,1427)
d5 = 1,708271864
d1 = d1 + (f3,2 f3,5) / (f3,2 f3,4)
d1 = 0,963339624 + (27,2501 22,1598) / (27,2501 21,1427)
d1 = 1,796803946
Nilai d untuk anggota front 2 adalah sebagai berikut:
d4 (S13) =
d3 (S6) =
d5 (S14) = 1,708271864
d1 (S1) = 1,796803946
d2 (S5)=
Tabel 3.15 Hasil Pemilihan N Individu Terbaik
Individu (S) Front Crowding Distance (d)
4
1,796803946
13
14
1,708271864
Jika counter generasi < generasi maksimum, maka N individu terbaik akan
menjadi induk pada generasi selanjutnya sehingga siklus pencarian individu
terbaik akan diulang ke tahap reproduksi. Jika tidak, maka individu-individu yang
berada dalam front pertama merupakan individu tak terdominasi, yaitu S4 dan S8.
85
86
f2
f3
Fitness
0,017086233
0,017028347
Berikut ini adalah contoh untuk menghitung proporsi bahan pakan ke-1
(dalam kg) untuk membuat 100 kg pakan menggunakan solusi (formula pakan)
terbaik hasil optimasi menggunakan NSGA-II.
Proporsi bahan 1 (kg) = proporsi bahan 1(%) / total proporsi bahan *
jumlah ransum
Proporsi bahan 1 (kg) = 5,5 / 68,7 * 100
Proporsi bahan 1 (kg) = 8,005822416
87
1
f1
f2
f3
Rerata
...
Fitness
Waktu
...
10
f1
f2
f3
Fitness
Waktu
f1
f2
f3
Fitness
Waktu
50
100
150
200
250
300
350
400
450
500
600
700
800
900
1000
88
Rerata
Kombinasi
1
pc
0
pm
f1 f2 f3
Fitness
...
Waktu
...
10
f1
f2
f3
Fitness
Waktu
f1
f2
f3
Fitness
Waktu
0,1 0,9
0,2 0,8
0,3 0,7
0,4 0,6
0,5 0,5
0,6 0,4
0,7 0,3
0,8 0,2
0,9 0,1
0,9 1/n
1
89
1
f1
f2
f3
...
Fitness
Waktu
...
Rerarta
10
f1
f2
50
100
150
200
250
300
350
400
450
500
90
f3
Fitness
Waktu
f1
f2
f3
Fitness
Waktu
BAB 4 IMPLEMENTASI
Pada bab ini akan dibahas tentang implementasi NSGA-II dalam formulasi
pakan ternak unggas. Pembahasan dalam bab ini meliputi spesifikasi lingkungan
implementasi dan/atau lingkungan pengembangan program aplikasi formulasi
pakan ternak unggas menggunakan NSGA-II, pengimplementasian algoritma, dan
pengimplementasian antarmuka.
Grafis
Memori
: 7,6 GiB
Harddisk
: 483,6 GB
: Ubuntu 14.04
Perangkat Editor
Java
: 1.7.0_91
Java Runtime
91
92
evaluations += 2;
}
}
// gabungkan populasi dan offSpring
union = ((SolutionSet) population).union(offspringPopulation);
// Sorting union, fast non-dominated sort
Sorting sorting = new Sorting(union);
// front selanjutnya
front = sorting.getSubfront(index);
// REPLACEMENT, seleksi N individu untuk populasi selanjutnya
while ((remain > 0) && (remain >= front.size())) {
// hitung crow. dist. dalam front
distance.crowdingDistanceAssignment(front,
problem.getNumberOfObjectives());
// masukkan indivudu ke dalam populasi selanjutnya
for (int k = 0; k < front.size(); k++) {
population.add(front.get(k));
}
//sisa slot
remain = remain - front.size();
// front selanjutnya
index++;
if (remain > 0) {
front = sorting.getSubfront(index);
}
}
if (remain > 0) {
distance.crowdingDistanceAssignment(front,
problem.getNumberOfObjectives());
front.sortByDistance();
for (int k = 0; k < remain; k++) {
population.add(front.get(k));
}
remain = 0;
}
} // EO generation cycle
// solusi tak terdominasi, front pertama
Sorting sorting = new Sorting(population);
return sorting.getSubfront(0);
}
93
94
Tabel 4.3 Kode Sumber Evaluasi Fungsi Tujuan dan Fungsi Kendala (Lanjutan)
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
nutrien.getNama().toLowerCase(Locale.ENGLISH).equals("phosphor")
||
nutrien.getNama().toLowerCase(Locale.ENGLISH).equals("fosfor")
||
nutrien.getNama().toLowerCase(Locale.ENGLISH).equals("belerang")) {
f2 += (nutrien.getKandungan() * (proporsiBahan[i] /
this.totalProporsi));
}
}
}
return f2;
}
private double evaluateF3(double[] proporsiBahan) {
double f3 = 0.0;
for (int i = 0; i < numberOfVariables; i++) {
for (Nutrien nutrien :
this.DAFTAR_BAHAN_RANSUM.get(i).getDaftarNutrien().getDaftarNutrien
()) {
if
(nutrien.getNama().toLowerCase(Locale.ENGLISH).equals("pk")) {
f3 += (nutrien.getKandungan() * (proporsiBahan[i] /
this.totalProporsi));
}
}
}
return f3;
}
private double getIngredientSatisfaction(double proporsiBahan, int
j) {
double r =
this.BATASAN_PENGGUNAAN_BAHAN.get(j).getPenggunaanMin();
double s =
this.BATASAN_PENGGUNAAN_BAHAN.get(j).getPenggunaanMaks();
double pemenuhanbahan = proporsiBahan;
if (pemenuhanbahan < r || pemenuhanbahan == r) {
pemenuhanbahan -= r;
return pemenuhanbahan;
}
if (pemenuhanbahan > s || pemenuhanbahan == s) {
pemenuhanbahan = s - pemenuhanbahan;
return pemenuhanbahan;
}
return pemenuhanbahan;
}
private double getNutrientSatisfaction(double[] proporsiBahan,
Nutrien nutrien) {
double kebutuhanMin =
95
Tabel 4.3 Kode Sumber Evaluasi Fungsi Tujuan dan Fungsi Kendala (Lanjutan)
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
this.HEWAN_TERNAK.getDaftarKebutuhanNutrien().get(nutrien.getNama()
).getKebutuhanMin();
double kebutuhanMaks =
this.HEWAN_TERNAK.getDaftarKebutuhanNutrien().get(nutrien.getNama()
).getKebutuhanMaks();
double pemenuhanNutrien = 0.0;
for (int j = 0; j < this.DAFTAR_BAHAN_RANSUM.size(); j++) {
BahanPakan bahanPakan = this.DAFTAR_BAHAN_RANSUM.get(j);
pemenuhanNutrien +=
(bahanPakan.getDaftarNutrien().get(nutrien.getNama()).getKandungan(
)
* (proporsiBahan[j] / this.totalProporsi));
}
if (pemenuhanNutrien < kebutuhanMin || pemenuhanNutrien ==
kebutuhanMin) {
pemenuhanNutrien -= kebutuhanMin;
return pemenuhanNutrien;
}
if (pemenuhanNutrien > kebutuhanMaks || pemenuhanNutrien ==
kebutuhanMaks) {
pemenuhanNutrien = kebutuhanMaks - pemenuhanNutrien;
return pemenuhanNutrien;
}
return pemenuhanNutrien;
}
96
return solution1;
} else if (flag == 1) {
return solution2;
} else if (solution1.getCrowdingDistance() >
solution2.getCrowdingDistance()) {
return solution1;
} else if (solution2.getCrowdingDistance() >
solution1.getCrowdingDistance()) {
return solution2;
} else if (rand.nextDouble() < 0.5) {
return solution1;
} else {
return solution2;
}
}
<
=
=
{
=
=
x2) {
x1;
x2;
x2;
x1;
xL = varX1.getLowerBound(i);
xU = varX1.getUpperBound(i);
u = r3.nextDouble();
// menghitung alel C1
beta = 1.0 + (2.0 / (y2 - y1) * (y1 - xL));
97
98
} else {
if (rounded) {
offs1.setValue(i, Maths.round(c1,
decimalPlaces));
offs2.setValue(i, Maths.round(c2,
decimalPlaces));
} else {
offs1.setValue(i, c1);
offs2.setValue(i, c2);
}
}
} else {
if (rounded) {
offs1.setValue(i, Maths.round(x1,
decimalPlaces));
offs2.setValue(i, Maths.round(x2,
decimalPlaces));
} else {
offs1.setValue(i, x1);
offs2.setValue(i, x2);
}
}
} else {
if (rounded) { // opsi switch alel
offs1.setValue(i, Maths.round(x1,
decimalPlaces));
offs2.setValue(i, Maths.round(x2,
decimalPlaces));
} else {
offs1.setValue(i, x1);
offs2.setValue(i, x2);
}
}
}
}
return offSpring;
}
99
100
}
//Create a new population
SolutionSet union = new SolutionSet(newSize);
for (int i = 0; i < this.size(); i++) {
union.add(this.get(i));
}
for (int i = this.size(); i < (this.size() +
solutionSet.size()); i++) {
union.add(solutionSet.get(i - this.size()));
}
return union;
}
101
flagDominate =
dominance.compare(solutionSet.get(p), solutionSet.get(q));
}
if (flagDominate == -1) {
iDominate[p].add(q);
dominateMe[q]++;
} else if (flagDominate == 1) {
iDominate[q].add(p);
dominateMe[p]++;
}
}
}
for (int p = 0; p < this.solutionSet.size(); p++) {
// np = 0, maka p masuk ke front pertama
if (dominateMe[p] == 0) {
front[0].add(p);
solutionSet.get(p).setRank(0);
}
}
int i = 0;
while (!front[i].isEmpty()) {
for (int p = 0; p < front[i].size(); p++) {
int ip = (int) front[i].get(p);
for (int q = 0; q < iDominate[ip].size(); q++) {
int iq = (int) iDominate[ip].get(q);
dominateMe[iq] -= 1;
if (dominateMe[iq] == 0) {
front[i + 1].add(iq);
solutionSet.get(iq).setRank(i + 1);
}
}
}
i++;
}
// inisialisasi frontset
frontSet = new SolutionSet[i];
// pecah solusi ke dalam front
for (int f = 0; f < i; f++) {
frontSet[f] = new SolutionSet(front[f].size());
for (int fm = 0; fm < front[f].size(); fm++) {
frontSet[f].add(solutionSet.get(((int)
front[f].get(fm))));
}
}
}
102
103
fitness1 += (1 / solutionSet.get(i).getObjective(0) *
0.01);
fitness2 += (1 / solutionSet.get(i).getObjective(1) *
0.01);
fitness3 += (1 / solutionSet.get(i).getObjective(2) *
0.01);
fitness += (fitness1 + fitness2 + fitness3);
solutionSet.get(i).setDMValue(fitness);
}
Collections.sort(solutionSet,
Collections.reverseOrder(Solution.COMPARE_BY_DM_VALUE));
return solutionSet.get(0);
}
104
105
106
beserta zat makanan yang dibutuhkan. Pada antarmuka Kandang Ternak, tabel
sebelah kiri digunakan untuk menampilkan daftar ternak sedangkan tabel lainnya
digunakan untuk menampilkan kebutuhan zat makanan. Untuk menyimpan
perubahan data, tekan icon OK (
) yang ada pada antarmuka Kandang Ternak.
Hasil implementasi antarmuka Gudang Bahan Pakan dapat dilihat pada Gambar
4.4.
107
f1
f2
f3
Fitness
Waktu
50
0,017191393
1128
100
0,017180502
1114,1
150
0,0170216798
1204
200
0,017019685
1304,8
250
1695,406972945
0,6020315186 19,0082843178
0,0171434819
1403,6
300
0,0170892194
1609,7
108
f1
f2
f3
Fitness
Waktu
350
0,0171444041
1685
400
0,017185333
1838,1
450
0,0171039432
1869,9
500
0,0171791598
2056,3
600
0,0171791598
2056,3
700
0,0170750288
2280,2
800
0,0171384497
2453,3
900
1735,8237306994 0,601352262
19,0415803994
0,0171605736
2706,7
1000
0,0171806249
2890,8
0.02
0.02
Rerata Fitness
0.02
0.02
0.02
0.02
0.02
0.02
50 100 150 200 250 300 350 400 450 500 600 700 800 900 1000
Generasi
109
Rerata f1
1740
1720
1700
1680
1660
1640
1620
50 100 150 200 250 300 350 400 450 500 600 700 800 900 1000
Generasi
Gambar 5.2 Grafik Hasil Pengujian Jumlah Generasi terhadap Harga (f1)
0.61
0.61
Rerata f2
0.6
0.6
0.6
0.6
0.6
50 100 150 200 250 300 350 400 450 500 600 700 800 900 1000
Generasi
Gambar 5.3 Grafik Hasil Pengujian Jumlah Generasi terhadap Kandungan Fosfor
(f2)
110
19.3
19.25
19.2
19.15
Rerata f3
19.1
19.05
19
18.95
18.9
18.85
50 100 150 200 250 300 350 400 450 500 600 700 800 900 1000
Generasi
5.1.2 Hasil dan Analisis Uji Coba Kombinasi Probabilitas Crossover dan
Probabilitas Mutasi
Pengujian kombinasi probabilitas crossover (pc) dan mutasi (pm) dilakukan
untuk mengetahui perbandingan keduanya yang terbaik dalam penyelesaian
permasalahan formulasi pakan ternak unggas. Percobaan dilakukan sebanyak 10
kali. Parameter algoritma genetika yang digunakan untuk menguji kombinasi pc
dan pm adalah sebagai berikut:
1. Jumlah variabel keputusan (bahan pakan, n) = 10.
2. Ukuran populasi = 50; jumlah generasi = 50.
3. Indeks distribusi crossover = 20.
4. Indeks distribusi mutasi = 20.
Dari 10 kali percobaan untuk setiap perlakuan kombinasi pc dan pm didapat
rerata fungsi tujuan, rerata fitness, dan rerata waktu (dalam mili detik)
sebagaimana ditunjukkan pada Tabel 5.2. Rincian pengujian kombinasi pc dan pm
dapat dilihat pada Lampiran F.
Tabel 5.2 Nilai Rerata Hasil Pengujian Kombinasi pc dan pm
pc : pm
0:1
f1
f2
f3
Fitness
Waktu
1760,8538764958
0,6001737805
19,1671085118 0,0171892817
1017,7
0,6000992256
19,3033861323 0,0171877321
925,4
0,6001399774
19,2155360633 0,0171887536
981,5
0,6002902991
19,1185041134 0,0171873977
990
111
f1
f2
Fitness
f3
Waktu
0,6001010463
19,195414926
0,0171904406
901,9
0,6001959022
19,1639318843 0,0171886428
917,8
0,600111705
19,1340342093 0,0171918889
949,4
0,6000677992
19,1132495792 0,0171935263
936,9
0,6000646279
19,0696222108 0,01719518
975,9
0,6035308536
19,1259433578 0,0171016818
997,5
0,6001022021
19,1152849635 0,0171925619
1027
1:0
0,6027303489
19,8559419316 0,0171045136
968,1
1850,8950164374
1:0
0.9 : 1/n
0.9 : 0.1
0.8 : 0.2
0.7 : 0.3
0.6 : 0.4
0.5 : 0.5
0.4 : 0.6
0.3 : 0.7
0.2 : 0.8
0.1 : 0.9
0.02
0.02
0.02
0.01
0.01
0.01
0.01
0.01
0
0
0
0:1
Rerata Fitness
Kombinasi Pc : Pm
112
Rerata f1
1800
1750
1700
1650
1:0
0.9 : 1/n
0.9 : 0.1
0.8 : 0.2
0.7 : 0.3
0.6 : 0.4
0.5 : 0.5
0.4 : 0.6
0.3 : 0.7
0.2 : 0.8
0.1 : 0.9
0:1
1600
Kombinasi Pc : Pm
Gambar 5.6 Grafik Hasil Pengujian Kombinasi pc dan pm terhadap Biaya (f1)
0.6
0.6
Rerata f2
0.6
0.6
0.6
0.6
1:0
0.9 : 1/n
0.9 : 0.1
0.8 : 0.2
0.7 : 0.3
0.6 : 0.4
0.5 : 0.5
0.4 : 0.6
0.3 : 0.7
0.2 : 0.8
0.1 : 0.9
0:1
0.6
Kombinasi Pc : Pm
113
25
20
Rerata f3
15
10
5
1:0
0.9 : 1/n
0.9 : 0.1
0.8 : 0.2
0.7 : 0.3
0.6 : 0.4
0.5 : 0.5
0.4 : 0.6
0.3 : 0.7
0.2 : 0.8
0.1 : 0.9
0:1
Kombinasi Pc : Pm
f1
f2
f3
Fitness
Waktu
50
1744.064273639
0.6000764402
19.063932566
0.0171948385
923.8
100
1777.9463863744
0.6000494462
19.0670431619
0.0171954158
2063.6
114
f1
f2
Fitness
f3
Waktu
1705.7006025116
0.6000395134
19.0240190858
0.0171971188
2995.4
200
1708.9569131298
0.6000206747
19.0351164372
0.0171972953
4038.2
250
1701.8939164494
0.6000226486
19.0235495167
0.0171975887
5434.5
300
1646.536741907
0.6000238517
19.0301304684
0.0171975665
6901
350
1677.8531976414
0.6000211683
19.0319806127
0.0171974806
8202.7
400
1717.2429450625
0.6000325467
19.0342524339
0.017196962
9937.1
450
1687.9957320415
0.6000142058
19.0162483164
0.0171980768
11588.7
500
1706.427447039
0.6000104224
19.0357827281
0.0171975777
13274.3
Rerata fitness
150
0.02
0.02
0.02
0.02
0.02
0.02
0.02
0.02
0.02
0.02
0.02
0.02
50
100
150
200
250
300
350
400
450
500
Populasi
115
1800
Rerata f1
1750
1700
1650
1600
1550
50
100
150
200
250
300
350
400
450
500
Populasi
Gambar 5.10 Grafik Hasil Pengujian Ukuran Populasi terhadap Biaya (f1)
0.6
0.6
Rerata f2
0.6
0.6
0.6
0.6
0.6
0.6
50
100
150
200
250
300
350
400
450
500
Populasi
116
19.08
19.07
19.06
19.05
Rerata f3
19.04
19.03
19.02
19.01
19
18.99
50
100
150
200
250
300
350
400
450
500
Populasi
f1
117
f2
f2
Waktu
Tabel 5.5 Kebutuhan Nutrisi Ayam Petelur Starter dan Kandungan Nutrisi dalam
Formula Pakan Hasil Formulasi
Kebutuhan Nutrisi
EM(Kkal/kg) PK (%/kg)
2800 *
19 *
LK (%/kg)
4-6
SK (%/kg)
4-5
Ca (%/kg)
0,9-1,1
P (%/kg)
0,6-0,8
Lis (%/kg)
0,85 *
Met (%/kg)
0,3 *
Keterangan:
* Kebutuhan minimal
Berdasarkan penelitian Aritonang (2013), harga konsetrat ayam petelur pada
tahun 2010 adalah 4700 rupiah per kg. Dari Tabel 5.4 dan Tabel 5.5, dapat
dihitung efisiensi biaya pakan buatan sendiri (tanpa menghitung faktor biaya
pengolahan bahan pakan menjadi pakan dan aktifitas produksi pakan lainnya)
menggunakan program aplikasi formulasi pakan ternak unggas. Perhitungan
efisiensi biaya pakan ternak adalah sebagai berikut.
efisiensi biaya=100 %(
efisiensi biaya=100 %(
1623.8905325444
100 %)
4700
efisiensi biaya=65.4491376054 %
Tingkat efisiensi biaya pakan (tanpa menghitung faktor biaya pengolahan bahan
pakan menjadi pakan dan aktifitas produksi pakan lainnya) dari program aplikasi
formulasi pakan ternak unggas yang dikembangkan dalam penelitian ini adalah
sekitar 65,44%. Berdasarkan Tabel 5.5, pemenuhan kebutuhan nutrisi ternak
mencapai 100% dengan kandungan fosfor dan protein yang sangat kecil.
118
BAB 6 PENUTUP
6.1 Kesimpulan
1. Berdasarkan penelitian ini, NSGA-II dapat digunakan untuk menyelesaikan
permasalahan formulasi pakan multitujuan.
2. Berdasarkan hasil pengujian, parameter genetika yang digunakan pada NSGAII untuk menyelesaikan permasalahan formulasi pakan ternak unggas
menggunakan 10 bahan pakan yaitu, jumlah generasi 50; ukuran populasi
450; probabilitas crossover 0,8; probabilitas mutasi 0,2; indeks distribusi
crossover 20; dan indeks distribusi mutasi 20.
3. Dengan NSGA-II dan penggunaan fungsi kendala yang membatasi kebutuhan
nutrisi ternak unggas, pemenuhan kebutuhan nutrisi ternak mencapai 100%
dengan efisiensi biaya mencapai 65,44% (tanpa menghitung faktor biaya
pengolahan bahan pakan menjadi pakan dan aktifitas produksi pakan
lainnya).
4. Kandungan fosfor dan protein dalam pakan sangat kecil, mendekati
kebutuhan minimal fosfor dan protein.
6.2 Saran
1. Perlu dilakukan penelitian lebih lanjut terhadap permasalahan optimasi
multitujuan formula pakan ternak unggas, yang memungkinkan
memunculkan tujuan-tujuan baru dalam memformulasi pakan.
2. Data harga bahan pakan yang digunakan dalam penelitian ini adalah data per
April 2010 sedangkan data harga konsentrat per Juli 2010. Karena harga
bahan pakan dan konsentrat fluktuatif, maka untuk meningkatkan akurasi
efisiensi harga maka perlu dilakukan pengujian ulang menggunakan data pada
bulan dan tahun yang sama.
3. Pada penelitian ini, formula pakan yang diformulasikan merupakan total selfmixing, sehingga untuk semi self-mixing perlu dilakukan penelitian lebih
lanjut agar menghasilkan pakan yang memenuhi kebutuhan nutrisi ternak
unggas, murah, dan ramah lingkungan.
119
DAFTAR PUSTAKA
Amazine, 2013. Nitrogen (N): Fakta, Sifat, Kegunaan & Efek Kesehatannya.
[online] Tersedia di: <http://www.amazine.co/25989/nitrogen-n-fakta-sifatkegunaan-efek-kesehatannya/> [Diakses 22 Nov. 2015].
Aritonang, R.D.K., 2013. Kelayakan Usaha Budidaya Petelur (Analisis Biaya
manfaat dan BEP pada Keanu Farm, Kendal). S1. Universitas Negeri
Semarang. Tersedia di: <http://lib.unnes.ac.id/18197/1/7450406053.pdf>
[Diakses 7 Jan. 2016].
Basuki, A., 2003. Algoritma Genetika Suatu Alternatif Penyelesaian Permasalahan
Searching, Optimasi dan Machine Learning. [pdf] Tersedia di:
<http://basuki.lecturer.pens.ac.id/lecture/AlgoritmaGenetika.pdf> [Diakses
25 Dec. 2014].
Blickle, T. dan Thiele, L., 1995. A Comparison of Selection Schemes used in
Genetic Algorithms. [Techical Report] Zurich: Computer Engineering and
Networks Lab (TIK), Swiss Federal Institute of Technology (ETH). Tersedia di:
<http://www.tik.ee.ethz.ch/file/6c0e384dceb283cd4301339a895b72b8/TIK
-Report11.pdf> [Diakses 27 Oct. 2015].
Caramia, M. dan DellOlmo, P., 2008. Chapter 2 Multi-objective Optimization.
Dalam: Multi-objective Management in Freight Logistics. [online] London:
Springer London. Tersedia di: <http://link.springer.com/10.1007/978-184800-382-8> [Diakses 11 Jun. 2015].
Castrodeza, C., Lara, P., dan Pea, T., 2005. Multicriteria Fractional Model for Feed
Formulation: Economic, Nutritional and Environmental Criteria. Agricultural
systems,
[e-journal]
86(1),
pp.7696.
Tersedia
di:
<http://www.sciencedirect.com/science/article/pii/S0308521X04001556>
[Diakses 29 Apr. 2015].
Ciptayani, P.I., Mahmudy, W.F., dan Widodo, A.W., 2009. Penerapan Algoritma
Genetika untuk Kompresi Citra Fraktal. Jurnal Ilmu Komputer, [e-journal]
2(1). Tersedia di: <http://ojs.unud.ac.id/index.php/jik/article/view/2681>
[Diakses 8 Jun. 2015].
Deb, K., 2000. An Efficient Constraint Handling Method for Genetic Algorithms.
Computer Methods in Applied Mechanics and Engineering, [e-journal]
186(24), pp.311338. Tersedia di: <http://www.sciencedirect.com/science/
article/pii/S0045782599003898> [Diakses 31 Jul. 2015].
Deb, K., 2001. Multi-objective Optimization Using Evolutionary Algorithms. [ebook] John Wiley & Sons. Tersedia di: <https://books.google.co.id/books?
id=OSTn4GSy2uQC> [Diakses 13 Jun. 2015].
Deb, K., 2011a. Multi-objective Optimisation Using Evolutionary Algorithms: An
Introduction. [Techical Report] Kanpur: Department of Mechanical
Engineering, Indian Institute of Technology Kanpur, pp.124. Tersedia di:
120
121
Info Medion, 2013. Review: Mencampur Ransum Sendiri (Self Mixing). [online]
Info Medion Online. Tersedia di: <https://info.medion.co.id/index.php/
component/content/article/1-tata-laksana/1132-review-mencampurransum-sendiri-self-mixing> [Diakses 12 Apr. 2015].
Mahbub, M.S., 2015. In a Comparison Between NSGA-II and Its Implementation
in C Code and JMetal, does NSGA-II Implementation Oppose Against Its
Concepts? [Jawaban 3]. [forum diskusi] Jawaban untuk Subha. Tersedia di:
<https://www.researchgate.net/post/In_a_comparison_between_NSGAII_and_its_implementation_in_C_code_and_JMetal_does_NSGAII_implementation_oppose_against_its_concepts> [Diakses 9 Dec. 2015].
Mahmudy, W.F., 2006. Penerapan Algoritma Genetika pada Optimasi Model
Penugasan. Natural, [e-journal] 10(3), pp.197207. Tersedia di:
<http://wayanfm.lecture.ub.ac.id/files/2014/03/200609-Natural-WayanGA-Asignment-Problem.pdf> [Diakses 26 May 2015].
Mahmudy,
W.F.,
2013.
Algoritma
Evolusi.
[pdf]
Tersedia
di:
<http://wayanfm.lecture.ub.ac.id/files/2014/04/2013-Algoritma-EvolusiModul.pdf> [Diakses 26 May 2015].
Mahmudy, W.F. dan Rahman, M.A., 2011. Optimasi Fungsi Multi-objektif
Berkendala Menggunakan Algoritma Genetika Adaptif dengan Pengkodean
Real.
Kursor,
[e-journal]
6(1),
pp.1926.
Tersedia
di:
<http://journal.trunojoyo.ac.id/kursor/article/view/102> [Diakses 26 May
2015].
Mawaddah, N.K. dan Mahmudy, W.F., 2006. Optimasi Penjadwalan Ujian
Menggunakan Algoritma Genetika. Kursor, [e-journal] 2(2), pp.18. Tersedia
di:
<http://wayanfm.lecture.ub.ac.id/files/2014/03/200607-Kursor-NiaWayan-GA-Jadwal-Ujian.pdf> [Diakses 26 May 2015].
Nebro, A.J. dan Durillo, J.J., 2015. jMetal (4.5.2). [program komputer] Tersedia di:
<http://jmetal.sourceforge.net> [Diakses 11 May 2015].
Parakkasi, A., 1998. Ilmu Nutrisi dan Makanan Ternak Ruminan. Jakarta: UI-Press.
Pea, T., Lara, P., dan Castrodeza, C., 2009. Multiobjective Stochastic
Programming for Feed Formulation. Journal of the Operational Research
Society,
[e-journal]
60(12),
pp.17381748.
Tersedia
di:
<http://www.palgrave-journals.com/jors/journal/v60/n12/abs/
jors2008106a.html> [Diakses 26 May 2015].
Poultry
Hub,
2015.
Feed
Formulation.
[online]
Tersedia
di:
<http://www.poultryhub.org/nutrition/feed-formulation/> [Diakses 17 Apr.
2015].
Rasyaf, M., 2003. Beternak Ayam Pedaging. Jakarta: Penebar Swadaya.
Saini, A. dan Saraswat, A., 2012. Solving a Multi-objective Reactive Power Market
Clearing Model Using NSGA-II. International Journal of Advance Information
Technology, [e-journal] 2(3), pp.4962. Tersedia di: <http://airccse.org/
122
123
LAMPIRAN
LAMPIRAN A KOMPOSISI BAHAN PAKAN TERNAK UNGGAS
No
Bahan
Pakan
Harga
EM
PK
LK
SK
Ca
P
Lis
Met
(Rp)* (Kkal/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg)
Bekatul
1000
2860
10,2
0,04
0,16
0,71
0,27
Jagung
Kuning
2800
3370
8,6
3,9
0,02
0,1
0,2
0,18
Menir
800
3390
8,9
0,03
0,4
0,27
Pollard
1800
1300
15
10
0,14
0,32
0,3
0,17
Sorgum
900
3250
10
2,8
0,03
0,1
0,2
0,13
Tepung
Gaplek
300
2970
1,5
0,7
0,9
0,18
0,09
0,03
0,09
Tetes Tebu
500
1960
0,1
0,9
0,1
Bungkil Biji
Kapas
1500
2100
41
4,8
12
0,18
0,33
1,6
0,6
Bungkil
Kedelai
4000
2240
42
0,9
0,29
0,65
2,9
0,65
10
Bungkil
Kelapa
2100
2200
18,5
2,5
15
0,2
0,57
0,64
0,29
11
Bungkil
Wijen
2500
1910
45
0,3
1,3
1,4
12
Bungkil
Kacang
Tanah
3700
2200
42
1,9
17
0,2
0,2
1,8
0,5
13
Tepung Ikan
(Herring)
6500
2640
72
10
1,5
6,4
14
Tepung Ikan
Lokal
5000
2650
58
5,5
2,8
1,8
15
Tepung
Lamtoro
1500
828
18,9
5,9
16,3
0,05
0,55
16
Minyak
Kelapa
8000
8600
100
17
Tepung Batu
450
40
124
No
Bahan
Pakan
Harga
EM
PK
LK
SK
Ca
P
Lis
Met
(Rp)* (Kkal/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg)
18
DL Metionin
40000
90
19
Garam
200
20
Kulit Kerang
250
37
21
L-lysin HCl
40000
80
22
Premix
5000
35
* Harga bahan berubah sesuai kebijakan pemerintah dan/atau nilai tukar rupiah
125
Pedaging - Periode
No
Bahan Pakan
Bekatul
10
15
30
10
10
Jagung
60
60
70
60
70
Menir
40
40
40
40
40
Pollard
15
30
15
20
Sorgum
25
40
40
25
40
Tepung Gaplek
10
10
10
Tetes Tebu
10
2.5
Bungkil Kedelai
30
30
40
30
40
10
Bungkil Kelapa
10
15
25
15
15
11
7.5
15
7.5
12
Tepung Ikan
10
10
13
Tepung Lamtoro
14
Minyak/Lemak
15
Kulit Kerang
16
Gandum
10
20
40
10
30
17
Kapur
18
Limbah Udang
19
Tepung Bulu
20
Tepung Daging
21
Tepung Bekicot
Starter (%) Grower (%) Layer (%) Starter (%) Finisher (%)
126
No
Jenis Unggas
Ayam petelur
EM *
PK *
LK
SK
Ca
P
Lis * Met *
(Kkal/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg) (%/kg)
2900
22
5-8
1,1
0,5
Finisher (36mg)
3100
20
5-8
0,38
Starter (08mg)
2800
19
4-6
0,85
0,3
Grower (822mg)
2600
16
4-6
0,6
0,25
Layer 1 (2252mg)
2650
17
4-6
0,73
0,34
Layer 2
(>52mg)
2650
15.5
4-6
0,6
0,25
0,85
0,3
Ayam petelur
jantan
1 hari dipotong
2900
19
5-8
Itik
(0-2mg)
2900
22
5-8
3-5 0,65 *
0,4 *
0,9
0,4
(2-7mg)
3000
16
5-8
3-5
0,6 *
0,3 *
0,65
0,3
Layer
2900
15
4-5
4-6 2,75 *
0,4 *
0,6
0,27
Starter (03mg)
2800
22
5-8
3-5 0,65 *
0,4 *
0,9
0,4
Finisher (37mg)
2900
16
5-8
3-5
0,3 *
0,65
0,3
Starter (03mg)
2700
18
4-7
0,6
0,25
Finisher (38mg)
2800
15
4-7
0,6
0,25
Itik jantan
pedaging
Ayam buras
0,6 *
* Kebutuhan minimal
127
Pewawancara
Topik wawancara
Dalam memformulasi pakan, ada beberapa hal yang harus diperhatikan, yaitu
ternak sasaran, kebutuhan nutrisi ternak, komposisi bahan pakan, dan batasan
penggunaan bahan pakan. Dalam memformulasikan pakan, ternak sasaran
bukanlah komoditi (seperti: ayam petelur, ayam pedaging, itik petelur, itik
pedaging, dan puyuh) akan tetapi periode/umur dari komoditi. Penyusunan
pakan berdasarkan periode dilakukan karena kebutuhan nutrisi anakan dan
kebutuhan nutrisi indukan berbeda. Kebutuhan nutrisi ternak dapat diketahui
dengan mencari informasi standar kebutuhan nutrisi ternak seperti SNI dan NRC.
Komposisi nutrisi bahan pakan yang ada di pasar berbeda-beda, tergantung pada
varietas, tempat bahan pakan ditanam, dan musim. Batasan penggunaan bahan
bahan pakan berfungsi untuk mempermudah penyusun pakan dan menghindari
antinutrisi yang ada pada bahan pakan. Dalam memformulasi pakan penyusun
pakan mendapatkan toleransi berkaitan dengan penggunaan bahan pakan.
Penggunaan bahan pakan boleh lebih dari batasan penggunaan bahan pakan,
namun tidak lebih dari 2% dari batasan penggunaan bahan pakan. Jumlah bahan
pakan optimal untuk total self-mixing adalah 10-15 bahan. Sedangkan untuk semi
self-mixing, bahan-bahan yang biasa digunakan adalah konsentrat, jagung, dan
bekatul.
Penyusunan pakan sendiri biasanya dilakukan untuk mengurangi biaya
produksi peternakan. Jika ingin menyusun pakan yang ramah lingkungan, maka
tidak hanya kandungan fosfor yang diminimalisasi, akan tetapi kandungan protein
juga perlu diminimalisasi karena kandungan nitrogen dalam pakan yang tidak
dicerna akan terbungan ke lingkungan bersama kotoran. Kedunya dapat merusak
lingkungan jika tidak terurai dan terjadi penumpukan.
Ketika memformulasi pakan, terkadang kandungan nutrisi dalam formula
pakan melebihi atau kurang dari kebutuhan nutrisi ternak. Jika disediakan lebih
dari satu formula akan, nilai kekurangan atau kelebihan nutrisi ini dapat dijadikan
penalti untuk memilih formula yang lebih baik. Nilai penalti ini dapat dihitung
menggunakan Persamaaan (1) .
k
i=1
j =1
pt =( pai )+( pb j )
(1)
pt adalah nilai penalti formula pakan; pai digunakan dalam konteks kebutuhan
nutrisi, yaitu nilai penalti untuk pemenuhan zat makanan ke-i; dan pbj digunakan
128
dalam konteks batasan penggunaan bahan pakan, yaitu nilai penalti untuk
pemenuhan batasan penggunaan bahan pakan ke-j. Nilai pai dan pbj didapatkan
dengan mematuhi pola aturan pada Persamaan (2), Persamaaan (3), dan
Persamaaan (4).
pm t < lb t ,
pc t= pm tlbt
(2)
(3)
lb t pmt ubt ,
(4)
pct =0
pmt adalah nilai pemenuhan kriteria pembatas ke-t; lbt dan ubt adalah batas
minimal dan batas maksimal kriteria pembatas ke-t yang harus dipenuhi; dan pct
adalah nilai pemenuhan kriteria pembatas. Dalam konteks kebutuhan nutrisi, pmt
adalah kti; lbt dan ubt adalah Li (batas minimal zat makanan ke-i dalam pakan)
dan Ui (batas maksimal zat makanan ke-i dalam pakan); dan pct adalah pai.
Sedangkan dalam konteks batasan penggunaan bahan pakan, pmt adalah bj; lbt
dan ubt adalah rj dan sj (batas minimal dan maksimal penggunaan bahan pakan
ke-j dalam pakan); dan pct adalah pbj.
129
f1
f2
f3
Fitness
Waktu
130
5,3
3,2
2,1
4,7
8,8
4,3
0,9
35,2 0,1
6,3
1803,5966149506
0,6000705219
3,5
2,1
4,4
8,6
0,7
33,8 0,9
6,2
1830,8526011561
0,6002456647
9,6
3,7
3,1
8,9
1,6
0,7
32
0,8
6,7
1786,7583212735
0,6001447178
3,1
1,5
3,7
5,9
8,1
0,9
39,3 1,1
5,8
1873,7926136364
0,6000426136
4,2
2,8
3,2
8,5
5,4
0,6
30,9 0,1
1869,2426584235
0,600015456
7,3
2,8
1,8
5,9
2,5
0,7
26
0,1
5,3
1765,7942238267
0,6002707581
4,1
2,1
2,7
6,1
8,8
0,9
0,8
37,6 0,4
5,5
1791,5942028986
0,6
9,9
3,8
0,2
5,8
8,3
0,9
32,5 0,2
6,2
1739,1833810888
0,6008452722
5,2
4,2
2,9
3,3
6,4
1,9
0,7
38,5 0,3
6,3
1708,2496413199
0,6000143472
10
6,2
4,9
0,1
1,8
6,5
0,8
0,5
24,7 0,1
4,5
1600,6986027944
0,6000798403
19
1776,9762861369
0,6001729192
19,0883538415 0,017191393
Rerata
0,0171970122 908
1128
Generasi: 100
Percobaan
f1
f2
f3
Fitness
Waktu
131
5,6
3,1
0,2
8,5
9,4
0,1
1,1
39,9 0,2
5,5
1716,1005434783
0,6007065217
4,8
2,7
0,2
6,3
3,9
0,9
29,8 0,5
5,3
1879,7318611987
0,6005362776
4,6
4,7
1,5
2,3
7,3
3,2
0,7
30,9 0,2
5,6
1724,3442622951
0,6000491803
9,7
3,6
1,2
0,7
4,9
0,2
0,5
20,2 0,1
4,7
1610,807860262
0,6001746725
7,3
2,2
4,4
3,7
7,9
1,3
0,9
37,6 0,3
6,6
1767,5207756233
0,600166205
7,3
3,4
1,1
8,4
1,8
0,8
34,8 0,1
6,6
1678,2106782107
0,60001443
3,3
1,1
4,7
9,5
8,1
0,8
29,9 0,1
6,1
1932,7327327327
0,6014714715
8,7
2,2
3,9
0,2
5,1
0,5
0,5
25,5 0,1
5,4
1682,6295585413
0,6008637236
5,3
2,2
3,4
4,4
7,2
0,5
0,7
37,5 0,1
5,7
1713,0597014925
0,6004179104
19,0105970149 0,017186926
10
1,5
2,8
1,6
4,4
7,8
1,1
0,7
32,4 0,1
4,4
1717,8697183099
0,6017605634
1742,3007692145
0,6006160956
19,0419783042 0,017180502
Rerata
1022
1114,1
Generasi: 150
Percobaan
f1
f2
f3
Fitness
Waktu
132
0,9
3,4
6,6
9,9
0,6
39
0,3
6,2
1797,7303070761
0,6014686248
3,7
3,2
2,5
4,5
9,1
0,7
37,4 0,2
5,5
1712,2418879056
0,6001474926
7,5
2,7
2,9
2,9
9,7
0,2
0,9
31,8 0,2
5,7
1714,3410852713
0,6013178295
9,9
4,9
1,9
4,4
0,6
39,9 0,1
1651,6087516088
0,60001287
19,0572715573 0,017197098
2,4
2,5
1,8
3,6
6,3
1,3
0,7
28,9 0,2
4,3
1739,9038461539
0,6005769231
5,8
4,6
1,4
0,2
6,9
0,4
0,5
32,2 0,1
6,6
1600,936967632
0,6505792164
8,7
3,7
1,3
5,2
9,2
1,3
0,7
35,7 0,1
6,2
1710,8876560333
0,6000970874
4,3
4,7
2,3
2,2
5,5
0,2
0,8
35,1 0,2
5,4
1608,7314662274
0,6003953871
4,8
3,1
6,1
9,5
1,1
33,1 0,2
5,1
1760,1538461539
0,6000153846
10
8,4
0,6
1,3
7,7
9,3
1,6
0,9
32,9 0,9
6,2
1914,9713467049
0,613008596
1721,1507160767
0,6067619411
Rerata
1141
Generasi: 200
Percobaan
f1
f2
f3
Fitness
Waktu
133
4,4
4,5
0,4
4,7
7,7
2,5
0,9
33,6 0,3
5,5
1730,3100775194
0,6015968992
7,6
4,8
2,2
6,2
0,3
0,5
33,3 0,1
6,2
1597,5080385852
0,6130868167
19,002733119
3,8
3,1
2,6
7,3
0,9
37,3 0,1
5,8
1694,157814871
0,600030349
5,6
4,9
1,6
4,5
9,5
0,3
1,1
40
6,1
1653,5907859079
0,6000406504
6,5
4,9
3,7
0,1
5,9
0,1
0,8
38,6 0,1
1587,7400295421
0,6185376662
5,7
3,3
2,1
3,7
5,8
0,1
0,8
31,6 0,6
5,2
1731,0696095076
0,6000339559
5,2
4,5
0,4
2,3
9,6
0,6
31,5 0,1
6,2
1691,3461538462
0,6333974359
19,0014423077 0,016320064
9,3
1,7
1,8
2,4
7,6
10,4 0,5
18,1 0,4
6,7
2113,6672325976
0,6000169779
2,1
2,4
2,7
5,7
3,3
0,8
34,6 0,1
5,6
1781,2398042414
0,6000326264
10
5,3
4,7
1,2
3,5
7,8
2,2
0,7
33,8 0,2
5,7
1699,6159754224
0,6
1728,0245522041
0,6066773378
19,0311623088 0,017019685
Rerata
0,2
0,0168434035 1551
1375
1304,8
Generasi: 250
Percobaan
f1
f2
f3
Fitness
Waktu
134
5,7
4,1
0,8
4,6
0,4
0,8
35,7 0,1
1610,7717041801
0,6001125402
4,1
4,9
2,5
2,6
5,9
0,1
0,9
37,7 0,7
5,8
1668,0214723926
0,6005521472
9,3
2,5
4,5
2,2
6,7
0,7
35,5 0,1
6,7
1708,7427745665
0,6000289017
8,8
4,5
1,3
1,8
8,5
2,9
0,5
27,6 0,2
1728,421900161
0,6006119163
8,1
3,1
5,1
0,3
36,9 0,2
6,2
1739,6383866481
0,6004311544
19,0001390821 0,017186759
3,5
2,7
1,7
4,5
9,2
2,4
0,7
31,6 0,1
1777,4429967427
0,6
6,9
3,9
3,9
8,4
0,5
0,8
34,9 0,1
6,2
1653,7537537538
0,6002852853
3,7
2,5
0,9
7,9
1,6
0,8
29,3 0,1
4,5
1754,7069271758
0,6008880995
8,5
4,6
0,3
2,8
9,8
1,2
0,8
29,8 0,1
6,1
1671,71875
0,616625
19,0021875
10
8,9
4,3
1,9
3,8
7,6
0,1
0,8
36,7 0,1
6,3
1640,8510638298
0,6007801418
1695,406972945
0,6020315186
Rerata
0,016749549
1393
1462
Generasi: 300
Percobaan
f1
f2
f3
Fitness
Waktu
135
7,3
2,9
3,3
3,4
7,4
1,6
0,7
36,4 0,1
6,4
1720,5035971223
0,6022014388
7,8
2,5
3,1
0,7
5,6
0,2
0,6
24,6 0,2
1681,3121272366
0,6003976143
1,8
4,3
3,8
2,7
6,6
1,4
0,9
38,2 0,2
5,7
1703,887195122
0,6000609756
9,2
2,6
2,2
4,1
0,8
25,6 0,4
6,2
1877,971473851
0,6
7,7
1,4
3,1
9,6
0,5
0,8
32,1 0,1
6,4
1700,4636785162
0,6305873261
9,9
4,8
0,1
8,6
0,9
0,8
30,9 0,1
5,9
1655,6060606061
0,6009090909
3,8
4,5
0,7
5,8
8,7
0,5
0,9
39,7 0,1
5,5
1656,6239316239
0,6024501425
8,7
2,8
3,7
8,9
0,8
33,5 0,1
6,4
1751,7882689557
0,6
3,3
1,6
3,8
1,3
38,9 0,1
5,8
1650,1453488372
0,6025872093
19,0007267442 0,017127464
10
3,5
3,4
2,7
5,6
0,1
0,7
37,2 0,4
5,6
1674,1297468354
0,6011392405
1707,2431428706
0,6040333038
Rerata
1713
Generasi: 350
Percobaan
f1
f2
f3
Fitness
Waktu
136
1,8
3,9
2,5
3,1
4,4
0,9
36,6 0,2
6,2
1782,9142011834
0,6078402367
9,8
4,6
0,1
5,4
0,7
0,8
35,2 0,1
1634,8596750369
0,6011964549
8,8
1,8
2,4
7,4
1,7
0,9
32
1784,0634441088
0,6
4,6
4,2
2,3
9,5
0,1
0,9
39,8 0,1
5,9
1652,731092437
0,6028991597
3,5
2,9
1,6
5,7
7,8
0,8
0,9
36,4 0,1
5,1
1710,4166666667
0,6004320988
7,4
4,9
1,8
4,9
9,2
0,3
1,1
39,9 0,3
6,5
1681,0615989515
0,6
0,9
4,9
9,8
0,5
0,8
28,4 0,2
3,7
1766,2835249042
0,6043103448
19,0026819923 0,017079692
1,7
1,2
4,4
12,2 7,9
9,4
35,2 1
2258,024691358
0,6000123457
4,9
2,5
3,9
7,7
1,8
0,7
38,8 0,1
6,1
1694,6808510638
0,6001134752
10
8,5
2,2
2,4
4,2
7,9
0,1
0,8
31,8 0,1
5,6
1710,534591195
0,6007704403
1767,5570336905
0,6017574556
Rerata
0,2
1799
Generasi: 400
Percobaan
f1
f2
f3
Fitness
Waktu
137
5,8
3,2
2,7
3,5
6,2
0,7
35,2 0,1
5,7
1685,5694227769
0,6002028081
19,000624025
2,2
0,8
5,4
8,3
1,2
40
0,1
5,4
1658,5014409222
0,6000432277
9,4
0,2
3,2
9,2
0,9
0,7
29,5 0,1
5,7
1648,7480438185
0,6004381847
19,010485133
4,7
1,6
4,2
8,9
1,4
38,7 0,2
5,7
1681,4121037464
0,6013544669
6,4
2,5
3,6
4,2
8,8
0,2
0,8
38,8 0,1
6,1
1704,1958041958
0,6004895105
2,4
1,3
4,2
4,9
9,4
1,3
39,2 0,1
5,6
1776,3688760807
0,6006628242
3,4
2,7
0,1
8,3
10
0,1
36,5 0,4
4,7
1762,6488095238
0,6
4,9
3,8
5,2
9,9
1,4
1,1
39,4 0,5
6,2
1751,4112903226
0,6010887097
5,1
4,4
0,8
3,2
6,9
0,4
0,6
30,7 0,1
4,8
1624,2105263158
0,6000175439
10
0,1
4,3
7,6
1,3
0,9
33,3 0,3
4,7
1671,1764705882
0,6004537815
1696,4242788291
0,6004751057
19,0134186721 0,017185333
Rerata
0,0171932662 1787
0,0171865945 1898
1838,1
Generasi: 450
Percobaan
f1
f2
f3
Fitness
Waktu
138
0,6
4,6
8,6
0,1
39,5 0,1
6,6
1629,4117647059
0,6165800274
19,002872777
2,5
3,5
2,1
4,3
7,4
1,3
0,9
36,7 0,2
5,3
1706,9314641745
0,6018380062
7,2
3,3
1,5
6,3
0,6
0,8
34,3 0,1
6,1
1639,5638629284
0,6005919003
6,5
3,5
0,3
6,9
1,8
0,8
34,9 0,2
6,5
1655,1204819277
0,6002710843
2,2
2,4
0,1
11,9 9,3
0,8
1,1
39,9 0,3
4,8
1842,5137362637
0,6
9,9
4,9
1,9
4,1
8,3
0,5
0,9
39,9 0,1
1644,5806451613
0,6011225806
19,0043870968 0,017167817
4,4
3,9
3,1
2,8
6,3
0,2
0,9
37,5 0,2
5,7
1646,6923076923
0,6000307692
9,8
4,5
2,2
0,1
6,9
0,1
0,6
26,2 0,1
5,6
1600,1782531194
0,6000178253
4,7
4,6
3,6
0,2
5,8
2,5
0,8
35,7 0,2
6,7
1678,3950617284
0,6129012346
10
9,1
0,8
3,1
7,3
9,4
0,8
0,8
39,6 0,1
6,5
1782,3225806452
0,6008129032
19,0018064516 0,017175993
1682,5710158347
0,6034166331
Rerata
0,0167508683 1958
1803
1979
Generasi: 500
Percobaan
f1
f2
f3
Fitness
Waktu
139
9,1
2,8
3,2
0,2
5,9
2,3
0,4
24,1 0,2
5,7
1748,6085343228
0,6000556586
3,9
2,2
3,8
7,6
0,1
0,8
35,5 0,1
6,2
1659,3930635838
0,6002745665
9,7
3,2
0,1
4,1
0,6
0,5
24,8 0,1
5,5
1647,1899224806
0,6000775194
1,5
4,4
0,9
5,5
8,1
0,3
38,4 0,6
1705,4794520548
0,6005175038
3,4
3,1
3,2
1,7
6,4
2,6
0,7
31,3 0,1
5,4
1734,4559585492
0,6020725389
0,3
0,9
10,1 9,9
0,6
1,1
36,6 0,1
5,5
1812,6538987688
0,6000957592
9,9
4,2
0,3
5,1
9,5
0,4
0,7
33,2 0,1
5,9
1671,2121212121
0,6002886003
3,1
0,5
4,4
3,7
5,2
1,9
0,7
32,8 0,1
5,1
1806,6956521739
0,6
10
3,8
2,4
6,5
0,5
0,6
26
0,1
5,4
1648,3126110124
0,6019360568
10
6,7
4,8
0,5
0,6
7,2
0,7
0,6
22,1 0,1
4,5
1597,489539749
0,6016736402
1703,1490753908
0,6006991844
Rerata
Generasi: 600
Percobaan
f1
f2
f3
Fitness
Waktu
140
4,6
2,3
8,7
2,3
0,8
28,8 0,1
1693,5763888889
0,6000347222
4,7
4,2
3,6
1,7
6,1
5,2
0,9
36,2 0,1
6,9
1766,8821839081
0,6
9,6
2,1
3,3
6,2
0,1
0,5
26,6 0,2
5,2
1718,1899641577
0,6004480287
6,1
2,9
3,9
1,8
9,3
0,9
32,4 0,9
6,3
1835,4135338346
0,6012631579
7,5
2,6
2,7
5,7
8,4
0,5
39,5 0,1
6,3
1714,401076716
0,600013459
8,7
2,3
3,2
3,9
8,1
2,2
0,8
34,3 0,1
6,5
1764,6219686163
0,6003281027
4,9
4,8
2,7
2,2
9,2
1,1
0,9
37,8 0,1
6,2
1653,147353362
0,6033190272
3,4
3,4
1,2
6,7
8,8
0,2
40
0,2
5,3
1697,0085470086
0,6002421652
19
3,8
4,7
2,4
0,1
8,2
1,1
0,6
36
0,1
6,8
1632,9153605016
0,6415047022
10
9,9
4,4
0,3
4,9
0,6
0,6
25,6 0,1
5,6
1601,8518518519
0,6000740741
19,007962963
1707,8008228846
0,6047227439
Rerata
0,0171921511 2101
0,0171969474 2169
Generasi: 700
Percobaan
f1
f2
f3
Fitness
Waktu
141
4,3
2,9
0,1
0,2
0,5
30,5 0,1
5,7
1589,0763765542
0,6077087034
3,4
4,4
1,1
5,4
9,9
0,4
39,3 0,1
5,4
1662,9261363636
0,6001278409
1,6
2,3
4,5
3,7
2,8
0,9
40
1775,9558823529
0,6002941176
4,1
3,9
5,2
8,9
3,1
39,9 0,1
6,3
1744,8322147651
0,6000805369
3,8
2,7
3,9
2,8
6,5
0,5
0,7
36,7 0,1
5,5
1682,9905063291
0,600221519
5,2
0,7
0,1
7,7
9,5
0,8
0,9
26,2 0,7
4,1
1912,2540250447
0,6000536673
4,3
3,3
0,7
7,6
0,3
0,6
34,7 0,1
6,3
1625,1155624037
0,609183359
10
4,9
1,2
7,9
0,2
0,7
33,3 0,1
6,2
1623,037037037
0,6016296296
9,1
3,6
3,8
7,4
0,3
0,9
33,9 0,2
6,1
1677,9346210996
0,6003268945
10
4,3
4,2
0,1
5,3
0,4
0,6
35,3 0,4
6,2
1643,7898089172
0,6023089172
1693,7912170867
0,6021935185
Rerata
0,2
Generasi: 800
Percobaan
f1
f2
f3
Fitness
Waktu
142
1,4
2,3
1,9
5,5
2,9
0,5
23,3 0,1
3,9
1794,1780821918
0,6000684932
5,2
4,3
3,1
1,5
6,5
1,3
0,8
34,3 0,3
5,9
1676,4240506329
0,6000158228
7,5
3,9
2,9
0,7
8,7
0,6
0,5
28,5 0,1
5,5
1664,7707979627
0,6000169779
5,9
2,8
0,8
4,2
8,4
1,9
0,8
27,2 0,1
4,9
1755,7894736842
0,6023859649
19
0,0171326636 2648
7,1
3,9
2,1
1,8
7,1
0,6
0,5
31,3 0,2
5,8
1660,1821192053
0,6105960265
19
0,0169097796 2794
5,8
2,6
2,1
5,1
8,7
0,4
0,8
35,2 0,1
5,4
1713,2930513595
0,6
19,0185800604 0,017198305
2,4
0,5
0,6
11
9,3
0,2
1,1
36,3 1,2
4,5
1950,4470938897
0,6
1,7
3,1
2,1
5,1
9,3
5,9
35,9 0,4
6,1
1887,2521246459
0,6000141643
9,1
3,4
4,7
0,3
6,1
0,5
0,7
33,8 0,2
6,6
1663,8379204893
0,6
10
7,8
4,8
2,1
0,6
5,9
2,2
0,5
28,9 0,1
5,9
1654,1666666667
0,6004251701
19,0006802721 0,017187207
1742,0341380728
0,601352262
Rerata
2867
2711
Generasi: 900
Percobaan
f1
f2
f3
Fitness
Waktu
143
5,9
3,3
1,3
6,7
1,8
0,6
33,7 0,1
1677,1293375394
0,600126183
4,2
3,7
4,3
1,5
9,3
3,3
0,9
36,6 0,7
6,7
1812,2893258427
0,6005477528
8,3
2,2
3,8
0,9
7,2
5,8
0,7
25,9 0,1
6,6
1875,0406504065
0,6003739837
7,5
4,7
2,4
0,3
1,2
0,7
28,8 0,1
5,7
1622,0383275261
0,6001045296
4,8
2,4
1,6
8,6
2,1
0,7
34,7 0,2
1680,1059001513
0,6010590015
8,1
4,4
3,7
8,7
0,9
35,5 0,1
6,9
1685,6241234222
0,6005189341
9,4
1,7
0,7
5,6
9,6
0,7
25,5 0,1
5,9
1899,9221183801
0,6002647975
2,6
9,3
0,9
40
0,1
5,5
1727,0172910663
0,6027233429
6,5
4,8
1,1
3,1
6,9
0,7
32,3 0,1
6,2
1730,2130898021
0,6007914764
19,004870624
10
9,8
3,6
3,4
2,6
6,5
0,1
0,6
36,7 0,1
6,6
1648,8571428571
0,6000142857
1735,8237306994
0,6006524287
Rerata
0,0171766707 2901
Generasi: 1000
Percobaan
f1
f2
f3
Fitness
Waktu
144
7,7
2,4
0,7
4,5
0,6
32,6 0,1
6,4
1720,6451612903
0,6000645161
6,6
4,4
4,2
0,8
0,3
0,9
37,4 0,3
6,5
1645,1023391813
0,6001169591
19,000877193
6,9
4,1
2,2
0,1
4,3
2,2
0,4
25,2 0,1
5,3
1660,2362204724
0,6014370079
6,2
2,5
1,9
6,8
8,9
0,3
0,9
39,6 0,1
5,8
1718,0136986301
0,6
7,1
4,8
0,5
3,6
7,1
0,4
0,8
31,2 0,5
5,4
1673,2899022801
0,6001140065
19,007980456
3,6
1,1
4,8
3,1
0,7
30,2 0,7
5,6
1907,0069204152
0,6001557093
9,9
3,9
2,2
3,5
6,9
0,3
0,8
35,2 0,1
6,4
1652,8901734104
0,6004190751
6,6
2,3
0,1
8,5
0,1
0,7
30,2 0,1
5,6
1592,4831081081
0,6055067568
19,0001689189 0,017047683
7,3
3,4
0,2
2,2
5,6
1,1
0,6
20
0,1
4,2
1671,8120805369
0,6000447427
10
8,1
4,4
2,8
3,5
7,6
0,1
40
0,2
6,7
1648,5215053763
0,6006048387
1689,0001109701
0,6008463612
Rerata
0,0171957886 2997
0,0171955715 3260
3054
LAMPIRAN F HASIL UJI COBA KOMBINASI PROBABILITAS CROSSOVER DAN PROBABILITAS MUTASI
Probabilitas Crossover : Probabilitas Mutasi = 0 : 1
Percobaan
f1
f2
f3
Fitness
Waktu
145
0,9
0,9
6,9
4,7
0,7
33,4 0,1
1870,8333333333
0,6004559748
3,1
2,8
2,4
6,8
8,5
1,4
1,1
40
5,9
1848,2876712329
0,6003424658
8,2
4,7
3,4
1,5
7,5
0,1
0,6
36,9 0,2
6,5
1632,6149425287
0,6000431034
8,9
4,5
0,2
4,3
10
0,5
0,8
30,1 0,8
5,7
1750,3039513678
0,600212766
5,3
2,3
5,3
9,6
2,2
39,3 1
6,6
1827,9373368146
0,6000652742
4,4
4,5
9,9
1,1
39,8 0,5
6,1
1736,3391655451
0,6001615074
19,165679677
0,0171897068 1105
4,9
2,2
0,1
4,2
1,9
0,6
26,6 0,1
5,5
1633,8983050848
0,6001129944
19,184180791
0,0171909117 1011
6,7
2,6
4,4
1,9
6,4
0,1
0,7
34,1 0,3
5,9
1704,5166402536
0,6000475436
9,4
0,7
7,8
8,9
0,8
34,1 0,8
6,1
1832,6446280992
0,6002341598
10
5,8
4,5
3,6
0,3
6,8
3,4
0,6
32,4 0,6
6,5
1771,1627906977
0,6000620155
1760,8538764958
0,6001737805
Rerata
f1
f2
f3
Fitness
Waktu
146
7,2
3,5
2,7
1,9
6,6
0,4
0,6
30,9 0,1
5,5
1653,0303030303
0,6000673401
9,3
3,3
3,5
4,8
6,4
0,6
0,7
38,6 0,3
6,8
1735,868102288
0,6000672948
4,6
2,5
0,3
6,6
0,1
0,7
27,4 0,7
5,8
1684,3154246101
0,6000866551
8,4
1,6
0,9
6,6
0,6
26,3 0,5
5,8
1716,9844020797
0,600017331
2,4
0,9
4,5
5,4
7,6
3,1
0,7
33,6 1,3
5,7
2033,6656441718
0,6001993865
19,5411042945 0,017177789
2,8
3,2
3,7
8,9
1,7
0,7
37
0,6
5,9
1790,8633093525
0,6000863309
2,4
2,8
3,3
5,2
9,7
6,9
0,8
39,8 0,2
6,9
1890,2564102564
0,6000897436
19,096025641
0,0171931336 1189
2,6
2,7
4,1
3,3
9,6
0,4
0,8
35,3 0,1
5,2
1740,0936037442
0,6000624025
19,420124805
0,01718561
8,6
3,4
0,7
4,9
0,5
0,7
31,5 0,1
6,2
1628,9772727273
0,6000649351
10
8,7
4,5
2,3
0,9
6,9
1,2
0,7
27,8 0,8
1742,8929765886
0,6002508361
1761,6947448849
0,6000992256
Rerata
962
981
f1
f2
f3
Fitness
Waktu
147
6,4
0,9
1,6
9,6
1,2
0,7
26,1 0,4
5,1
1700,0877192983
0,6001052632
8,4
4,5
0,9
6,6
9,9
1,2
0,8
39,6 0,1
6,5
1709,6815286624
0,6000254777
19,2113375796 0,017192334
8,9
4,9
1,9
0,2
0,4
0,6
25,9 0,3
5,5
1622,1611721612
0,6002014652
5,6
2,7
4,9
2,8
7,2
0,2
0,7
38,7 0,6
6,3
1751,7216642755
0,6001578192
7,6
3,5
3,7
1,4
4,9
3,7
0,6
28,5 0,9
6,5
1883,1973898858
0,6000652529
19,3856443719 0,01718601
3,5
1,7
2,4
4,6
10,7 0,7
28,6 0,4
6,7
2078,2576866764
0,6001610542
2,7
4,3
7,4
0,6
0,7
40
5,7
1812,0614035088
0,6000584795
1,2
2,4
4,6
9,8
8,7
0,5
24,6 0,5
6,9
2072,2140762463
0,6000293255
4,2
4,5
0,6
4,5
1,7
0,7
33,6 0,3
6,3
1706,9711538462
0,6001762821
10
7,4
3,7
4,3
0,2
5,3
4,5
0,6
29
6,7
1816,7741935484
0,6004193548
1815,3127988109
0,6001399774
Rerata
0,3
1063
1187
f1
f2
f3
Fitness
Waktu
148
4,4
0,1
7,2
3,8
0,8
31
0,2
6,1
1725
0,6003733766
3,7
4,1
4,2
0,9
5,9
1,1
0,6
34,5 0,3
5,7
1690,3278688525
0,6000491803
6,1
4,1
0,7
8,5
0,2
0,5
24,6 0,2
4,4
1650,1949317739
0,6002729045
5,7
4,5
2,5
3,7
9,8
4,2
36,9 0,8
1839,8160315375
0,6001051248
9,6
3,9
1,4
5,2
10
0,7
0,8
35,3 0,1
6,3
1707,0941336971
0,6004502046
19,1761255116 0,01718151
1115
6,9
1,8
4,2
2,1
6,1
1,4
0,5
29
0,3
5,6
1796,1139896373
0,6010362694
19,2844559585 0,017162051
984
5,7
2,9
1,4
6,9
8,8
0,1
0,9
39,1 0,2
5,6
1713,6173184358
0,6002793296
19,023603352
8,4
4,8
4,2
0,7
6,3
0,5
0,7
38,6 0,3
1636,7132867133
0,6000559441
2,8
1,3
8,1
9,6
0,1
0,8
39,7 0,2
4,9
1748,345323741
0,6002158273
10
2,2
0,1
6,7
9,9
6,4
0,9
26,5 0,8
5,2
2042,2204213938
0,6000648298
1754,9443305782
0,6002902991
Rerata
0,0171904095 1053
f1
f2
f3
Fitness
Waktu
149
1,3
0,9
4,1
5,8
8,5
7,4
0,8
33,2 0,3
6,1
2035,8187134503
0,6
7,9
4,4
3,9
0,5
9,5
2,7
0,9
34,2 0,3
1731,0659186536
0,6000841515
19,0060308555 0,017196255
3,3
2,6
1,4
7,5
0,1
0,7
32,3 0,1
4,4
1693,8153310105
0,6000174216
7,3
2,5
0,1
5,4
0,2
0,6
26,5 0,3
5,3
1627,8195488722
0,600018797
3,1
2,4
3,4
5,7
9,6
5,4
0,9
40
0,2
6,7
1869,315245478
0,6000645995
5,5
2,4
4,9
2,4
9,7
0,5
36,9 0,3
6,2
1744,5558739255
0,6004441261
19,0954154728 0,017183757
2,8
0,5
4,9
7,9
0,1
0,7
26,7 0,1
4,7
1708,4219858156
0,600035461
6,5
2,8
4,7
3,2
7,6
3,3
0,9
37,3 0,3
1814,6059782609
0,6000815217
1,8
4,5
7,8
8,5
0,7
22,9 0,5
5,4
2118,2709447415
0,6001960784
19,0839572193 0,017189943
10
7,3
3,8
2,8
4,5
8,4
0,3
0,8
38,9 0,1
6,3
1686,6120218579
0,600068306
1803,0301562066
0,6001010463
19,195414926
Rerata
975
888
884
0,0171904406 901,9
f1
f2
f3
Fitness
Waktu
150
4,6
4,1
2,8
2,1
8,2
2,5
0,8
31,6 0,5
5,8
1781,1111111111
0,6002857143
5,1
4,5
1,6
8,3
2,9
0,8
39,9 0,2
6,4
1757,463672391
0,6000264201
4,2
2,5
3,8
7,7
0,7
37,7 0,5
6,2
1747,5817923186
0,6000711238
4,5
2,2
1,3
5,4
7,7
0,6
0,7
29,6 0,7
4,6
1823,9965095986
0,60008726
4,8
3,7
4,5
5,4
0,1
0,8
39,9 0,2
6,2
1647,0414201183
0,6005473373
4,2
2,8
4,8
9,8
0,6
27,6 0,4
1989,4171779141
0,6003374233
6,1
3,4
1,9
1,7
0,9
0,6
24,7 0,2
4,7
1696,4143426295
0,6002589641
3,6
2,2
3,7
9,7
1,6
0,8
33,9 0,9
5,2
1819,3396226415
0,6000314465
5,7
0,6
4,8
0,9
7,3
7,9
0,5
20,2 0,6
6,1
2142,7655677656
0,6001098901
10
6,9
4,9
3,8
0,2
4,6
1,2
0,6
35,2 0,1
6,4
1615,6494522692
0,6002034429
1802,0780668758
0,6001959022
Rerata
f1
f2
f3
Fitness
Waktu
151
4,8
2,9
3,9
8,4
0,1
39,7 0,7
6,1
1720,1117318436
0,6000139665
8,8
0,7
3,9
7,7
9,8
0,1
39,2 0,1
6,4
1806,3063063063
0,6
19,4066924067 0,017187489
0,8
2,5
7,6
2,5
0,8
33,7 0,1
4,7
1781,7420435511
0,6000837521
1,1
2,4
4,8
0,8
0,5
25,4 0,6
3,7
1726,072234763
0,6002708804
19,285778781
0,0171834559 883
9,2
1,7
4,3
8,9
0,1
0,9
39,8 0,1
6,7
1636,5710560626
0,6
19,024380704
0,0171984183 1000
2,9
3,5
1,4
2,1
7,4
9,3
0,6
23,9 0,1
5,8
1971,5789473684
0,6002105263
7,5
4,4
2,6
8,5
0,2
0,7
31
0,3
5,6
1682,8821656051
0,600111465
3,5
3,7
3,4
2,8
9,2
1,1
0,7
36,4 0,4
5,7
1737,2944693573
0,6002242152
9,9
1,9
0,7
2,1
6,5
9,4
0,4
13,7 0,1
5,9
2076,4822134387
0,6000197628
10
8,3
4,3
2,5
0,1
6,4
0,1
0,6
27
5,4
1599,8175182482
0,6001824818
1773,8858686544
0,600111705
Rerata
0,1
1040
f1
f2
f3
Fitness
Waktu
152
5,8
0,6
3,9
9,7
1,2
0,8
32,9 0,7
5,6
1736,7069486405
0,6000302115
1,4
3,1
6,2
9,2
2,6
39,6 0,1
5,5
1769,1654879774
0,6000141443
3,7
2,9
3,8
3,3
9,7
0,9
36,4 0,8
6,3
1854,8728813559
0,6000423729
1,1
4,5
4,9
8,4
5,9
0,8
39,8 0,3
6,4
1827,9352226721
0,6000539811
7,9
3,2
9,8
1,5
38,3 0,9
6,6
1879,6632124352
0,6
7,2
3,7
2,8
2,2
5,9
0,3
0,6
32,4 0,3
5,7
1671,1947626841
0,6002618658
2,5
0,9
3,1
1,9
5,6
0,6
0,4
22,1 0,5
3,6
1848,0582524272
0,6000970874
7,9
3,5
3,9
0,9
6,7
2,6
0,6
30,4 0,7
6,5
1806,907378336
0,6000470958
4,6
4,1
4,9
0,1
5,8
1,8
0,7
34,4 0,3
6,2
1710,5723370429
0,6
19,293481717
10
1,1
1,6
6,6
9,2
11,1 0,9
35,7 0,1
6,9
2000,0656167979
0,6001312336
1810,5142100369
0,6000677992
Rerata
0,0171908224 998
f1
f2
f3
Fitness
Waktu
153
1,6
4,9
1,1
5,3
7,6
39,7 0,3
5,3
1679,7935103245
0,6001474926
4,6
3,1
1,8
4,7
7,4
1,7
0,7
33,5 0,2
5,3
1747,380952381
0,600031746
4,6
2,5
2,5
8,3
0,7
0,7
34,1 0,1
5,4
1661,2877583466
0,6000317965
8,7
3,8
0,7
8,1
3,5
0,6
32,8 0,1
1746,0317460318
0,6001154401
3,4
4,4
3,1
3,1
7,9
3,1
0,7
39,9 0,2
6,4
1729,0166204986
0,6000554017
3,2
2,4
0,5
7,4
0,2
0,5
23,7 0,1
3,4
1710,0220264317
0,6000440529
1,3
4,8
4,1
7,3
3,9
0,7
34,9 0,4
5,4
1773,4326018809
0,6001253918
7,7
4,9
2,5
1,1
8,7
0,2
0,7
32,1 0,2
5,9
1632,578125
0,600046875
19,08125
9,9
2,2
1,5
8,6
0,5
0,7
32,9 0,1
6,4
1626,7699115044
0,6000147493
19,0087020649 0,017198479
10
10
4,9
2,1
0,8
5,5
1,1
0,6
28,8 0,1
6,1
1624
0,6000333333
19,1005
1693,0313252399
0,6000646279
19,0696222108 0,01719518
Rerata
0,0171955646 1052
1146
0,0171954449 750
975,9
f1
f2
f3
Fitness
Waktu
154
5,3
3,6
1,4
10,1 0,6
23,9 0,5
6,7
2020,4582651391
0,6000981997
5,2
2,4
2,3
6,4
9,7
1,1
1,1
39,4 0,1
5,9
1745,3125
0,6000407609
1,1
1,5
2,4
3,1
9,9
1,9
0,6
30,4 0,7
5,3
1885,9402460457
0,6326713533
7,3
4,5
2,4
4,1
9,6
1,5
0,8
36,3 0,2
6,4
1730,9165526676
0,6
8,3
3,3
0,6
6,4
9,9
0,4
33,9 0,6
5,8
1768,5185185185
0,6008547009
3,7
2,8
4,4
0,7
2,6
0,6
31,3 0,2
5,6
1749,5606326889
0,6003690685
2,3
4,9
1,2
2,6
8,8
11,7 0,6
25,3 0,5
6,6
2063,8759689923
0,6000155039
9,3
3,5
1,8
7,7
0,4
0,7
31,7 0,1
6,1
1663,6858475894
0,6003421462
19,001244168
2,7
3,4
2,2
5,4
8,5
0,7
39,6 0,7
5,6
1760,4584527221
0,6008452722
10
7,9
2,5
3,4
3,7
9,3
3,1
0,8
32,4 0,3
6,5
1834,9070100143
0,6000715308
1822,3633994378
0,6035308536
Rerata
0,0171894601 1311
f1
f2
f3
Fitness
Waktu
155
7,5
3,7
5,6
0,2
0,9
35,3 0,4
5,9
1808,8489208633
0,6
4,5
3,3
5,9
0,8
36,5 0,6
6,2
1789,5136778116
0,6001215805
7,5
3,7
1,6
6,2
9,7
0,6
0,9
39,9 0,9
6,5
1776,3225806452
0,6002580645
2,7
1,5
4,3
4,8
7,1
2,1
0,9
38,8 0,2
5,8
1799,3401759531
0,600058651
9,3
2,8
0,8
1,6
3,7
0,3
17,2 0,1
4,9
1813,0196936543
0,6002625821
7,3
4,9
0,5
4,1
1,1
0,8
33,1 0,2
5,7
1667,5799086758
0,6
7,1
1,9
4,4
1,4
0,8
30,7 0,2
5,9
1775,8012820513
0,6000480769
3,5
3,8
4,5
1,4
7,7
4,5
0,8
36,9 0,9
6,9
1856,6995768688
0,6000423131
3,7
0,4
2,9
8,1
7,5
0,3
35,3 0,4
4,9
1863,7209302326
0,6002170543
10
3,9
3,3
4,3
2,9
9,9
0,9
39,2 1,2
6,4
1823,7671232877
0,6000136986
19,0316438356 0,01719721
1797,4613870044
0,6001022021
Rerata
Keterangan:
* n = 10, yaitu jumlah bahan dalam formula
1035
7,8
4,9
1,5
5,6
2,3
4,5
3,9
4,2
3,2
2,9
8,3
f1
f2
f3
Fitness
Waktu
156
0,7
36,7 0,5
1821,6233766234
0,6002077922
17,8 4,9
1,1
38,2 0,8
5,6
2163,0461922597
0,6000749064
2,6
0,4
0,6
0,5
27,2 0,4
5,2
1709,2592592593
0,6237426901
1,4
8,3
9,5
0,7
0,9
30,3 0,6
4,2
1907,6086956522
0,6001003344
9,5
4,4
0,4
3,2
7,5
0,9
0,8
28
5,6
1656,4569536424
0,6022682119
19,023013245
9,5
3,9
2,7
4,5
9,3
3,1
0,8
31,7 1,1
1914,5380434783
0,6000407609
8,5
4,9
0,7
6,1
9,1
2,4
0,9
39,8 0,6
1756,6875
0,6003625
19,030125
9,7
2,7
4,8
0,9
7,6
0,8
31,9 0,8
6,8
1790,8955223881
0,6002985075
4,4
4,7
0,7
12,3 7,5
4,1
1,1
36,3 0,2
1958,4087968952
0,6001940492
10
5,2
3,7
4,9
1,2
2,3
0,7
37,4 1,1
6,9
1830,4258241758
0,6000137363
1850,8950164374
0,6027303489
9,4
Rerata
0,1
0,0171356141 816
0,0171877785 919
f1
f2
f3
Fitness
Waktu
157
5,1
3,4
1,9
3,6
7,5
0,5
0,7
31,2 0,2
1700,7614213198
0,6000507614
7,8
3,6
3,4
3,8
7,1
1,7
0,8
40
0,1
6,9
1704,1223404255
0,6000398936
19,038962766
9,9
3,9
1,2
6,4
10
1,4
0,8
39,2 0,1
6,8
1719,8243412798
0,6001380176
4,4
3,7
2,5
8,6
2,1
0,9
33,6 0,3
5,8
1748,7673343606
0,6000308166
4,7
4,6
1,9
2,5
8,3
6,8
0,8
31,5 0,6
6,7
1883,0409356725
0,6000877193
4,7
2,4
4,4
1,1
4,8
0,3
0,6
31,2 0,2
5,2
1686,8852459016
0,6000910747
4,8
0,1
1,8
0,6
31,8 0,5
5,7
1744,0497335702
0,6002664298
19,053285968
9,9
0,4
6,7
9,9
2,1
32,5 0,7
6,3
1830,3448275862
0,6000275862
7,9
3,5
0,4
5,2
7,9
0,4
0,7
31
0,1
5,2
1684,0288924559
0,6000321027
10
5,6
4,1
1,6
4,8
9,3
0,1
0,9
37,2 0,8
5,8
1738,8176638177
0,6
1744,064273639
0,6000764402
19,063932566
Rerata
0,0171966654 897
0,0171898468 919
0,0171948385 923,8
Populasi: 100
Percobaan
f1
f2
f3
Fitness
Waktu
158
10
4,9
0,7
3,9
7,4
0,1
0,9
32,6 0,1
1628,6036036036
0,6
3,7
2,2
4,2
2,7
7,7
5,4
0,6
34,2 0,3
6,4
1877,4480712166
0,6000296736
4,7
4,7
0,3
4,1
7,7
2,3
0,6
31,9 0,1
5,2
1693,8311688312
0,6001136364
1,3
3,3
1,7
3,7
6,2
0,5
0,7
30,6 0,5
4,2
1734,6299810247
0,600113852
2,6
1,7
1,9
6,8
9,8
35,3 0,3
5,3
1857,459379616
0,6000443131
1,6
0,7
3,9
2,5
4,1
0,6
25,9 0,4
4,7
1958,9285714286
0,6000396825
4,4
2,2
3,4
9,3
1,2
0,9
36,7 0,2
6,5
1688,3928571429
0,6000412088
19
9,9
3,8
3,3
2,7
6,4
1,2
0,6
35,6 0,2
6,8
1697,0212765957
0,6000141844
7,9
4,9
2,2
2,8
8,6
0,2
0,8
36,8 0,2
6,3
1640,0282885431
0,6000424328
10
7,7
0,2
2,9
6,6
9,8
4,7
0,7
32,1 0,9
6,5
2003,120665742
0,6000554785
1777,9463863744
0,6000494462
Rerata
0,0171977606 1910
Populasi: 150
Percobaan
f1
f2
f3
Fitness
Waktu
159
4,3
1,8
2,8
7,3
0,2
0,8
33,2 0,1
5,2
1627,018121911
0,6
8,3
4,9
3,8
1,6
9,3
0,2
0,9
40
1632,3915900131
0,6000788436
19,029303548
8,3
4,6
2,1
3,8
8,1
0,9
0,9
38,4 0,1
6,6
1659,1463414634
0,6000406504
8,4
2,8
6,4
0,7
0,7
33,8 0,4
6,4
1647,4847560976
0,6000304878
6,5
3,8
3,2
1,6
8,1
2,5
0,8
32,6 0,1
6,2
1720,6422018349
0,6000152905
3,7
1,3
7,2
9,4
0,5
25,6 0,8
6,5
2121,2295081967
0,6000819672
8,8
3,6
4,1
0,4
7,8
0,6
0,7
31,9 0,1
6,3
1664,4634525661
0,6000311042
9,1
4,8
1,5
3,3
6,8
0,4
0,8
34,8 0,1
6,2
1626,6961651917
0,6000147493
9,3
4,9
3,2
6,5
0,2
0,6
35,5 0,2
6,6
1615,4411764706
0,6
10
4,8
2,1
1,8
6,8
8,8
0,3
0,9
37,6 0,2
5,3
1742,4927113703
0,6001020408
1705,7006025116
0,6000395134
Rerata
0,1
0,0171961081 3301
Populasi: 200
Percobaan
f1
f2
f3
Fitness
Waktu
160
5,5
4,6
1,5
0,2
6,6
0,1
0,5
24
0,5
4,5
1639,8958333333
0,6
3,5
4,7
2,5
2,8
8,3
3,4
0,8
36,7 0,7
6,3
1787,8048780488
0,6000286944
6,2
3,8
2,3
3,9
0,3
0,7
37,2 0,1
5,8
1653,5661218425
0,6000148588
3,9
1,5
4,4
7,4
0,4
0,9
35,6 0,3
5,2
1679,4811320755
0,6000314465
7,5
4,4
6,6
0,3
0,6
36,1 0,2
6,2
1637,2197309417
0,6000597907
19,0204783259 0,017196863
8,6
3,3
2,7
0,1
0,4
0,5
23,4 0,5
5,2
1713,829787234
0,6
9,4
4,1
2,1
3,5
7,4
0,1
0,8
33,9 0,7
6,3
1721,2298682284
0,6
7,3
4,6
4,2
0,4
8,8
0,6
0,9
35,7 1
6,8
1739,4736842105
0,6000284495
3,8
3,6
2,2
7,8
1,9
0,7
38,5 0,3
5,8
1744,4683908046
0,6000287356
10
4,4
2,2
4,9
9,6
0,7
0,9
35,9 0,6
5,5
1772,599704579
0,600014771
1708,9569131298
0,6000206747
Rerata
4196
Populasi: 250
Percobaan
f1
f2
f3
Fitness
Waktu
161
6,6
4,3
1,4
1,3
4,9
0,3
0,5
26,4 0,2
4,8
1605,6213017752
0,6000591716
7,9
3,9
4,5
0,5
7,2
0,7
34,8 0,2
6,6
1678,0832095097
0,6
2,1
4,9
0,4
5,9
9,9
7,5
1,1
37,6 0,3
6,6
1862,0576671035
0,6000131062
9,9
4,1
2,4
4,4
9,9
0,4
0,8
39,4 0,2
6,9
1686,9897959184
0,6
4,6
3,7
2,9
1,4
7,9
0,3
0,7
30,9 0,2
5,1
1662,1317157712
0,6
9,9
4,3
2,1
2,2
7,7
2,6
0,8
30,9 0,5
6,7
1754,6528803545
0,6000295421
19
10
4,5
0,4
5,2
9,9
1,6
0,9
33,9 0,6
6,5
1754,3537414966
0,6001088435
3,5
1,7
5,5
10
0,5
38,3 0,3
5,3
1718,2344428365
0,6
4,9
4,9
1,2
3,5
6,5
0,6
0,8
35,3 0,1
5,4
1618,0379746835
0,6000158228
10
7,2
4,5
3,2
7,9
1,3
0,7
33,8 0,3
6,3
1678,7764350453
0,6
1701,8939164494
0,6000226486
Rerata
0,017197861
5508
Populasi: 300
Percobaan
f1
f2
f3
Fitness
Waktu
162
8,8
4,9
2,3
0,7
6,6
0,4
0,6
30,4 0,1
5,9
1601,4827018122
0,6000329489
19,0273476112 0,017197555
7,9
4,6
0,8
7,4
0,5
0,6
22,8 0,3
4,8
1646,7455621302
0,6
9,4
3,5
2,7
2,2
9,9
0,1
0,9
31
1676,8237082067
0,6000303951
19,0439209726 0,017196888
4,3
3,2
2,3
6,7
0,2
0,9
36,4 0,1
5,6
1634,4583987441
0,6000313972
6,2
4,9
2,9
1,1
5,4
0,4
0,7
34,9 0,1
5,9
1592,56
0,600032
19,01264
7,4
4,7
1,4
0,7
6,6
0,3
0,5
25,9 0,2
1604,8387096774
0,6000379507
9,8
2,5
2,1
4,1
8,9
1,1
0,9
30,2 0,3
1764,4157814871
0,6000151745
4,5
3,2
1,8
9,5
2,5
0,7
36,2 0,1
6,5
1706,6901408451
0,6
19,044084507
8,8
4,9
3,4
0,4
9,5
0,2
0,7
34,5 0,1
6,5
1621,9565217391
0,6
10
7,1
4,4
6,8
0,1
0,6
37,7 0,1
6,4
1615,3958944282
0,600058651
1646,536741907
0,6000238517
Rerata
0,1
6549
6787
0,0171980229 6893
0,0171976234 6568
Populasi: 350
Percobaan
f1
f2
f3
Fitness
Waktu
163
2,2
3,6
1,7
5,4
8,9
1,2
0,8
38,6 0,4
5,3
1737,4449339207
0,6000440529
19,003671072
0,0171974128 7844
2,8
2,6
4,1
7,1
0,8
38,9 0,5
6,1
1773,2474964235
0,6
19,043204578
0,0171974277 8720
7,3
4,8
1,1
6,3
0,2
0,6
29,1 0,2
5,2
1608,9788732394
0,6000528169
6,9
4,3
3,3
1,5
9,9
1,2
0,8
34,6 0,2
6,3
1691,1594202899
0,6000144928
8,8
4,1
1,9
1,4
0,2
0,5
27,7 0,1
5,4
1627,408056042
0,6000175131
7,6
3,4
1,5
5,7
0,1
0,7
38,6 0,3
6,6
1617,0503597122
0,6
5,5
3,2
1,6
6,3
2,8
0,7
29
5,7
1804,2024013722
0,6000171527
4,8
4,2
1,3
3,6
6,4
0,2
0,6
33,5 0,1
1625,7956448911
0,6000335008
6,2
4,5
0,7
6,2
9,9
0,9
1,1
39,1 0,1
1686,8139223561
0,6
19,06854083
10
8,4
3,9
4,3
0,2
4,3
0,1
0,6
34
6,3
1606,4308681672
0,6000321543
1677,8531976414
0,6000211683
Rerata
0,5
0,1
0,017197019
8198
Populasi: 400
Percobaan
f1
f2
f3
Fitness
Waktu
164
10
4,9
1,8
3,3
9,4
0,4
0,8
36,3 0,4
6,7
1675,8108108108
0,6
8,6
4,9
1,2
1,9
9,1
1,9
0,6
29,2 0,1
5,9
1675,5520504732
0,6000788644
19,015615142
8,5
4,3
4,1
0,7
7,1
0,9
35,4 0,1
1680,0998573467
0,6000142653
19,0329529244 0,017197627
9,1
1,8
9,8
0,2
0,7
35,8 0,3
6,4
1659,0152565881
0,6000277393
7,3
4,8
3,1
1,2
7,6
2,8
0,7
34,7 0,1
6,7
1692,8260869565
0,600057971
6,7
4,6
0,9
3,9
7,5
2,4
0,6
32,4 0,6
5,9
1761,3740458015
0,6
5,6
3,3
2,1
9,9
0,9
39,8 0,3
6,6
1671,2751677852
0,6000536913
19,017852349
4,5
2,4
2,3
8,9
6,7
0,9
33,2 0,2
6,1
1845,3927492447
0,6000453172
8,3
4,4
2,9
0,2
9,9
1,5
0,6
28,6 0,5
6,1
1729,3650793651
0,600047619
10
6,7
3,4
3,1
9,8
0,7
38,6 0,1
1781,7183462532
0,6
1717,2429450625
0,6000325467
19,0342524339 0,017196962
Rerata
0,0171963281 10466
9721
0,0171969806 10073
9937,1
Populasi: 450
Percobaan
f1
f2
f3
Fitness
Waktu
165
3,2
1,5
2,2
6,3
9,4
1,2
0,9
34,4 0,9
5,1
1879,1858678956
0,6
6,3
4,5
2,7
1,4
9,4
0,6
0,7
32,9 0,3
5,8
1671,1300309598
0,6000154799
4,7
4,6
2,7
0,9
6,1
3,9
0,6
30,8 0,7
6,1
1797,2176759411
0,6000327332
9,2
3,5
2,2
7,5
1,1
0,8
36,8 0,5
1728,9256198347
0,6000275482
9,2
4,3
0,2
2,5
7,2
0,2
0,6
24,4 0,1
4,9
1623,8805970149
0,6
6,2
4,8
2,3
2,3
6,3
0,2
0,7
35,8 0,1
5,8
1604,8837209302
0,6000310078
3,3
2,1
4,8
9,6
0,4
1,1
39,9 0,1
5,6
1672,0028208745
0,6
19,0184767278 0,017198452
5,2
4,5
2,4
0,5
5,7
0,5
0,7
28,8 0,3
5,1
1625,9776536313
0,600018622
4,6
3,1
5,6
0,4
0,8
33,9 0,1
1605,92
0,6
19,0232
10
4,8
2,3
0,9
6,6
2,1
0,8
30,5 0,2
5,8
1670,8333333333
0,6000166667
1687,9957320415
0,6000142058
Rerata
11591
0,0171985675 11081
Populasi: 500
Percobaan
f1
f2
f3
Fitness
Waktu
166
4,9
2,3
1,3
7,9
9,9
0,9
38
0,6
1863,3021390374
0,600013369
3,2
0,6
2,2
8,1
9,8
0,8
0,8
37,7 0,4
1837,0262390671
0,6000145773
6,6
3,6
0,3
5,9
9,3
0,4
32
0,8
5,3
1780,8282208589
0,6
7,2
3,9
1,6
3,6
8,6
0,4
0,8
32,9 0,2
5,6
1677,0061728395
0,6000154321
19,0106481481 0,017198222
7,6
4,8
1,3
4,3
9,5
0,3
0,9
37,2 0,1
6,1
1648,8904299584
0,6
6,8
4,9
3,4
0,6
7,1
1,4
0,8
34,6 0,2
6,4
1653,1722054381
0,6000302115
6,7
4,8
3,2
0,6
5,2
0,9
0,6
33,9 0,3
6,1
1633,2263242376
0,6
7,3
2,4
1,6
9,9
0,2
0,8
34,1 0,1
1627,7448071217
0,6000148368
9,8
3,7
4,6
0,3
5,8
0,9
0,7
34,1 0,3
6,9
1678,4649776453
0,6
10
7,1
4,2
3,6
0,3
9,2
0,2
0,6
31,9 0,3
5,9
1664,6129541864
0,6000157978
1706,427447039
0,6000104224
Rerata
12855