Summary of Artificial Neural Network Based Particle Swarm Optimization in Predictions Mortality Rate of Broiler Chicken

Nama : Erlinda Juniar

NIM : 20180040021

Prodi : Teknik Informatika

Mata kuliah : Kecerdasan Buatan

Dosen : Dudih Gustian, ST, M.kom

“Summary of Artificial Neural Network Based Particle Swarm Optimization in Predictions Mortality Rate of Broiler Chicken”

PT. Jafpa Comfeed Indonesia, Tbk Unit usaha Kalapa Nunggal 2 adalah salah satu cabang dari PT. Jafpa Comfeed Indonesia Tbk terlibat dalam pembibitan ayam, ayam pedaging, ayam petelur dengan populasi sebesar sekitar 50.000 ayam. Banyaknya populasi ayam, di sisi lain mengakibatkan kematian yang signifikan. menimbulkan beberapa kerugian seperti dalam hal keuangan, waktu, sumber daya manusia, dll. Perusahaan berusaha untuk menjaga tingkat kematian seminimal mungkin. Ini karena kondisi masingmasing petani mengalami kesulitan dalam menangani kondisi yang cepat dan efisien. Perusahaan menginginkan kematian tingkat harus dijaga minimum sekitar 10% dari total kematian, sehingga dapat mengurangi kerugian dalam hal keuangan.

Dapat dilihat bahwa ada masalah angka kematian yang tidak pasti bahkan pada kuartal kedua 2015.

                                                    (Data kematian ayam broiler 2015)

            Untuk mencegahnya diperlukan suatu metode yang dapat memprediksi dan mengendalikan tingkat kematian ayam broiler. Dalam penelitian ini, metode data mining yang digunakan adalah Jaringan Syaraf Tiruan berbasis Particle Swarm Optimization, untuk menghasilkan prediksi yang akurat dengan iterasi yang sangat baik dan juga tingkat kesalahan yang kecil.

Kata kunci: jaringan saraf tiruan, angka kematian, optimisasi kawanan partikel 1.

            Metode yang digunakan adalah Neural Network Particle Swarm Optimization, untuk menghasilkan nilai prediksi yang akurat dengan iterasi yang sangat baik dan juga tingkat kesalahan yang kecil. Prediksi pada jaringan syaraf propagasi balik dalam proses pelatihan dan validasi menghasilkan persentase 100% dengan satu arsitektur lapisan tersembunyi, parameter optimal MSE = 0,0001, laju pembelajaran = 0, 9, momentum = 0,4.

 Sedangkan untuk prediksi prestasi belajar peserta didik dalam metode fuzzy inference system metode mamdani dengan menggunakan kurva S dan kurva lonceng menghasilkan persentase 83,8%. Sedangkan metode untuk optimasi menggunakan metode PSO, karena lebih baik daripada metode algoritma genetika. Diharapkan bahwa metode JST berbasis PSO dapat lebih akurat dengan nilai RMSE kecil dalam memprediksi tingkat kematian ayam broiler.

Dengan metode ini dapat memberikan solusi untuk mengendalikan kematian ayam yang cenderung meningkat, terutama ayam, Serta penyebab yang ada dapat dihindari. Metode yang digunakan untuk Jaringan Syaraf Tiruan yang menghasilkan model jaringan terbaik menghasilkan nilai prediksi 88,89 persen. Jaringan komputer dalam diagnosis medis, penelitian ini juga menunjukkan bahwa jaringan otak dapat dimasukkan ke dalam sistem informasi rumah sakit sebagai prediktor.

 Abhijit Suresha, KV Harisha, N. Radhikaa melakukan penelitian yang berjudul "Particle swarm optimization over back propagation neural network selama durasi prediksi". Mereka membandingkan Jaringan Syaraf Tiruan dengan Metode Optimasi Pengoptimalan Partik yang merupakan bagian yang menggunakan teknik Pengoptimalan Kawanan Partikel dibandingkan dengan pelatihan untuk pelatihan. Di mana ada peningkatan nilai akurasi hasil JST yang dioptimalkan oleh PSO.

Reza Gharoie Ahangar, Mahmood Yahyazadehfar, Hassan Pournaghshband dalam jurnal mereka yang berjudul "Perbandingan Metode Jaringan Syaraf Tiruan dengan Regresi Linier Menggunakan Variabel Khusus untuk Prediksi Harga Saham di Bursa Efek Teheran" menunjukkan bahwa metode Jaringan Syaraf Tiruan lebih baik dan lebih cepat daripada Linear Metode regresi karena metode Jaringan Syaraf Tiruan dapat menjalankan perhitungan paralel dan mentolerir lebih banyak kesalahan dan juga jaringan ini dapat membuat aturan tanpa rumus implisit.

 Melakukan penelitian dengan judul "Prediksi tingkat kematian lalu lintas jalan menggunakan jaringan saraf yang dioptimalkan oleh algoritma genetika". Mereka menggunakan metode jaringan saraf yang dioptimalkan oleh algoritma genetika. Memungkinkan komunikasi yang dapat mengoptimalkan jaringan saraf tiruan dalam memprediksi kematian dengan kinerja tinggi dengan RMSE terendah 0,0808.

KienEe Lee, Izzatdin bin Abdul Aziz, Jafreezal bin Jaafar dalam jurnal mereka yang berjudul "Adaptive Multilayered Swarm Dioptimalkan Jaringan Syaraf Tiruan untuk Prediksi Korosi Pipa" dalam penelitian mereka menunjukkan bahwa hasilnya juga mengungkapkan bahwa metode AMPSONN menunjukkan kinerja yang lebih baik bahkan ketika topologi dari semua metode dioptimalkan, dan ketika ukuran set pelatihan berkurang.

 Pendekatan PSO multilayered adaptif telah membuktikan dirinya sebagai solusi yang menjanjikan untuk menargetkan berbagai mekanisme kerusakan individu dan juga dimungkinkan untuk menggunakan lebih banyak dataset dalam pengujian metode AMPSONN untuk membuktikan efektivitasnya di area aplikasi lain.

Metodologi Dalam penelitian ini digunakan dua metode yang saling mendukung yaitu Particle Swarm Optimization Neural Network.

Langkah pertama dengan Jaringan Saraf Tiruan Untuk setiap unit input menerima sinyal xi dan meneruskan sinyal pada lapisan di atasnya. Model JST yang digunakan adalah model backpropagation yang berarti metode yang meminimalkan kesalahan dalam output yang dihasilkan oleh jaringan. Dalam penelitian ini pengaturan yang digunakan untuk jaringan saraf tiruan adalah 500 untuk siklus pelatihan, 0,1 untuk 0,1 untuk tingkat pembelajaran, dan 0,5 untuk momentum.

Untuk pengaturan konfigurasi yang digunakan untuk jaringan saraf tiruan seperti yang ditunjukkan pada gambar di bawah ini.

                                                

(Konfigurasi JST)

              

              

Konfigurasi untuk metode Jaringan Syaraf Tiruan didasarkan pada optimasi segerombolan Partikel yang dapat dilihat dari gambar di bawah ini: Gambar 5.

(Partikel swarm dioptimalkan konfigurasi jaringan saraf)

               Perbandingan antara JST dan JST berbasis PSO. Hasil RMSE yang diperoleh dari penelitian ini menggunakan jaringan saraf tiruan dan jaringan saraf tiruan dengan PSO dapat dilihat pada gambar  di bawah ini:

*6 ICDALC 2018 IOP Conf.

          

 Selain hasil dari RMSE, juga diprediksi bahwa ayam broiler akan mati untuk tahun yang akan datang, yang merupakan hasil prediksi dari Desember yang mencapai 332 kematian ayam broiler untuk 2018, 301 kematian untuk 2019. Dengan Admin untuk memproses data pengguna aplikasi, Pengguna atau Pengguna aplikasi yang ditugaskan untuk memasukkan data kematian ayam, data prediksi, data hasil RMSE yang diperoleh dari perhitungan menggunakan Rapidminer 5 dan Manajer yang dapat melihat dan mengendalikan semua sistem kemudian ada tes aplikasi dengan Metode SQA dengan mendistribusikan quisioner kepada staf terkait.

               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. 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 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 yang diperoleh yaitu 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. Prediksi tingkat kematian lalu lintas jalan menggunakan jaringan saraf dioptimalkan oleh algoritma genetika ", International Journal of Injury Control dan Safety Safety.

Referensi

[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 Particle Swarm Optimized Neural Network (AMPSONN) for Pipeline Corrosion Prediction", International Journal of Advanced Computer Science and Applications (IJACSA), University 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