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.
Tidak ada komentar:
Posting Komentar