Nama  : Pascal Aditia Muclis

NIM    : 20180040063

Kelas  : TI18C

Artificial neural network based particle swarm optimization in predictions mortality rate of broiler chicken

Rangkuman

Harga daging ayam broiler dan day old chick (DOC) adalah dua hal yang menentukan tingkat keuntungan peternak ayam broiler. Harga daging ayam broiler dan day old chick (DOC). Penelitian ini bertujuan untuk memprakirakan harga ayam broiler. Hasil prakiraan tersebut dapat digunakan sebagai pengambilan keputusan oleh pihak-pihak terkait. Penelitian ini menggunakan metode jaringan saraf tiruan (JST).

Untuk akurasi dan kesalahan yang dihasilkan dari metode Neural Network dalam memprediksi tingkat kematian boiler ayam, itu adalah 5.854 (desember). Sedangkan rata-rata hasil RMSE diperoleh dari metode jaringan saraf tiruan yaitu 6.222 setiap bulan. Data yang ada tidak dapat mempengaruhi hasil RMSE yang diperoleh sebagaimana dibuktikan dengan hasil RMSE yang diperoleh pada bulan September adalah hasil tertinggi yaitu sebesar 14,115 sedangkan hasil terendah dapat dilihat pada bulan Juni yaitu sebesar 0,730. Sedangkan hasil RMSE diperoleh dari metode jaringan syaraf tiruan dengan model backpropagation yang ditingkatkan dengan optimasi partikel swarm yaitu 2.032 (desember). Untuk RMSE rata-rata yang diperoleh sama dengan 1,889 lebih baik sebesar 4,3% dari metode jaringan saraf dengan model backpropagation sebelum dioptimalkan. Dengan RMSE tertinggi 7.119 dan RMSE terendah 0.223. Dan dengan menggunakan aplikasi yang dapat menjalankan metode Neural Network berdasarkan Particle Swarm Optimization dan dengan hasil prediksi dengan tingkat kesalahan dan akurasi yang baik serta hasil uji aplikasi dari manajemen kepada audiens dengan hasil SQA diperoleh bahwa sama dengan 83,125 ini menunjukkan bahwa manajemen dibantu dengan aplikasi ini dan juga mengambil langkah-langkah yang diperlukan untuk mencegah kematian ayam broiler dari prediksi metode JST dan PSO.

Keberhasilan di peternakan ayam broiler dapat dinilai dari tingkat kematian ayam dan juga solusi untuk mengurangi tingkat kematian ayam. Namun dalam prosesnya ada kendala yaitu kematian ayam yang cenderung berfluktuasi sehingga tentu saja mengakibatkan kerugian finansial bagi petani. Untuk mencegahnya diperlukan suatu metode yang dapat memprediksi dan mengendalikan tingkat kematian ayam broiler. Dalam penelitian ini, metode penambangan data yang digunakan adalah Jaringan Syaraf Tiruan (JST) berdasarkan Particle Swarm Optimization (PSO), untuk menghasilkan prediksi yang akurat dengan iterasi yang sangat baik dan juga tingkat kesalahan yang kecil. Hasil analisis dalam memprediksi tingkat kematian ayam broiler dengan metode jaringan saraf tiruan yang dikombinasikan dengan optimasi Particle swarm mendapatkan hasil RMSE yang lebih baik (0,135) daripada Jaringan Syaraf Tiruan belum dioptimalkan (0,381) dengan data kematian Januari dan hasil quisioner aplikasi yang dibuat nilai 83.125 yang dapat dikategorikan dengan baik dan cukup membantu peternak dalam mengendalikan prediksi tingkat kematian ayam broiler.

References

[1]     Siti Helmiyah, Shofwatul ‘Uyun, 2016. Comparison of Performance of Artificial Neural Networks and Fuzzy Inference System for Prediction of Students Journal of Informatics Engineering and Information Systems, ISSN: 2407-4322.

[2]     J. Anitha, C.Kezi Selva Vijila D.Jude Hemanth. 2009. Comparative Analysis of Genetic Algorithm & Particle Swarm Optimization Techniques for SOFM Based Abnormal Retinal Image Classification", International Journal of Recent Trends in Engineering, Vol. 2, No. 3.

[3]     Mohd Khalid Awang and Fadzilah Siraj, 2013. Utilization of an Artificial Neural Network in the Prediction of Heart Disease”, International Journal of Bio-Science and Bio-Technology, Vol. 5, No. 4

[4]     Abhijit Suresha, K.V Harish, N. Radhika, 2015. Particle Swarm Optimization Over Back Propagation Neural Network for length of stay prediction”, International Conference on Information and Communication Technologies (ICICT 2014), Procedia Computer Science 46 ( 2015 ) 268 – 275

[5]     Reza Gharoie Ahangar, Mahmood Yahyazadehfar, Hassan Pournaghshband, 2010. The Comparison of Methods Artificial Neural Networks with Linear Regression Using Specific Variables for Prediction Stock Prices in the Tehran Stock Exchange" (IJCSIS) International Journal of Computer Science and Information Security, Vol. 7, No. 2.

[6]     Seyed Ali Jafari, Sepideh Jahandideh, Mina Jahandideh, Ebrahim Barzegari Asadabadi, 2013. Prediction of road traffic death rate using neural networks optimised by genetic algorithm”, International Journal of Injury Control and Safety Promotion.

[7]     Kien Ee Lee, Izzatdin bin Abdul Aziz, Jafreezal bin Jaafar, 2017. Adaptive Multilayered ParticleSwarm Optimized Neural Network (AMPSONN) for Pipeline Corrosion Prediction", International Journal of Advanced Computer Science and Applications (IJACSA), Universiti Teknologi PETRONAS, Vol. . 8, No. 11.

[8]     Somayeh Yavari, Mohammad Javad Valadan Zoej, Mehdi Mokhtarzade, Ali Mohammad zadeh, 2012. Comparison of Particle Swarm Optimization and Genetic Algorithms in Rational Function Model Optimization" International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Toosi University of Technology.

[9]     Hermawan, A, 2006. Artificial Neural Networks Theory and Applications. Yogyakarta: Publisher Andi.

[10]   Puspaningrum, D, 2006. Introduction to Artificial Neural Networks. Yogyakarta: Andi Offset.

[11]   Blondin J, 2009. Particle swarm optimization tutorial.

[12]   Handayani R.K, 2012. Review of Use of Software Supervision in the Process of Recurring Decision Making: A Case Study of Determination of High School Teachers.

[13]   Albab, M. U. 2017. Selama Ramadan konsumsi daging sapi di Banyuwangi 4700 kg per hari. https://banyuwangi.merdeka.com/info-banyuwangi/selama-ramadan-konsumsi-daging-sapi-di-banyuwangi-4700-kg-per-hari-170621o.html. [10 November 2018].

[14]   Azhar, M., Riksakomara, E., dan Terkait, A. P. (2017). Peramalan Jumlah Produksi Ikan dengan Menggunakan Backpropagation Neural Network (Studi Kasus: UPTD Pelabuhan Perikanan Banjarmasin). Journal of Engineering ITS, 6(1), 142–148.