1. PENDAHULUAN
Pakan merupakan salah satu sendi dalam
1
2. PERMASALAHAN
Berdasarkan uraian pada pendahuluan,
penelitian ini perumusan berkaitan dengan
implementasi NSGA-II untuk menyelesainkan
permasalahan optimasi multitujuan dalam
memformulasikan pakan ternak unggas.
3. TINJAUAN PUSTAKA
3.1. Studi Terkait
Dalam penelitian ini, peneliti melakukan
kajian kajian terhadap beberapa penelitian
sebelumnya. Kajian pertama dilakukan terhadap
penelitian yang dilakukan oleh Wardhani,
Safrizal, dan Chairi [7]. Untuk mengoptimasi
komposisi pakan, mereka menggunakan metode
Multi-objective Genetic Algorithms (MOGA).
Dalam implementasinya, parameter masukan
individu yang digunakan adalah jenis ikan, jenis
kelamin, dan jumlah pakan yang akan dihasilkan.
Skema penyandian bilangan bulat digunakan
dalam penelitian tersebut, dengan metode seleksi
roulette whele, dan one-point crossover. Dengan
jumlah individu = 200; panjang kromosom = 5;
probabilitas crossover = 0,01; probabilitas mutasi
= 0,2; dan jumlah generasi = 5; rata-rata
keberhasilan
penghitungan
pemenuhan
kebutuhan nutrisi ikan mencapai 100% dan
tingkat efisiensi biaya pakan sekitar 46,5%.
Kajian kedua berkaitan denga permasalahan
distribusi kapal perang. Penelitian tersebut
dilakukan oleh Hozairi dkk [11] menggunakan
NSGA-II. Dalam penetitian mereka, NSGA-II
digunakan untuk memaksimalkan area cakupan
patroli daerah maritim dan untuk meminimalkan
biaya operational. Unit kapal yang tersedia
2
finisher
(akhir).
Pengelompokan
fase
pemeliharaan itu sendiri tergantung pada jenis
unggas dan pengelola peternakan. Dalam fase
pemeliharaan unggas, fase layer merupakan fase
produksi ternak, biasanya untuk unggas petelur,
fase ini merupakan masa-masa bagi ternak untuk
menghasilkan telur [1].
Berkaitan dengan kandungan zat makanan
dalam bahan makanan dan kebutuhan zat
makanan ternak, ada dua poin yang perlu
ditekankan ketika memformulasi pakan. Pertama,
ketika memformulasi pakan, banyak zat makanan
yang perlu diperhitungkan, tidak hanya dalam
hal konsentrasi yang sebenarnya, tetapi juga
dalam hal rasio dengan zat makanan lainnya.
Kedua, saat ini formulasi harus mengejar tidak
hanya tujuan ekonomi, tetapi juga lingkungan
yang berkaitan dengan minimalisasi polusi yang
disebabkan oleh pakan [2].
Dalam memformulasi pakan, peternak
menghitung harga yang akan dikeluarkan dan
kandungan nutrisi yang ada pada pakan. Hal ini
dikakukan
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
(1) [1].
bj
(2)
bj
j =1
i=1
j=1
pc t =ubt pm t
(5)
pc t =0
pmt >ub t ,
(6)
(1)
(4)
pmt adalah nilai pemenuhan kriteria pembatas ket; 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.
j =1
x j=
pc t = pmt lbt
lb t pmt ub t ,
kt i = a ij x j
pmt <lb t ,
(7)
(U )
xi x i xi , i=1, 2,... ,n .
(3)
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 [19]:
1. Solusi x(1) tidak lebih buruk dari pada solusi
x(2) di semua fungsi tujuan, atau fj(x(1))
fj(x(2)) untuk semua j = 1, 2, ..., M.
2. Solusi x(1) benar-benar lebih baik dari pada
solusi x(2), paling tidak di satu fungsi tujuan,
atau fj(x(1)) fj(x(2)) paling tidak 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
5
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
Gambar 1. Pseudocode NSGA-II Generasi t + 1
Sumber: [9]
Pendekatan
crowded-comparison
membutuhkan metrik kepadatan solusi yang
melingkupi solusi tertentu dalam populasi. Untuk
mendapatkan kepadatan solusi yang melingkupi
solusi tertentu dalam populasi, perlu dihitung
6
Operator Genetika
Operator genetika yang digunakan dalam
NSGA-II untuk penelitian ini adalah binary
tournament
selection,
simulated
binary
crossover, dan polynomial mutation [12].
Algoritma binary tournament selection
dapat dilihat pada Gambar 5.
I [i]distance =
I [ i+1]. m I [i1] . m
max
min
f m f m
(8)
begin
p null , N |P|
for i 1 to k do
ind pop[random(1, N)]
if (p = null) or fitness(ind) >
fitness(p) then
p = individu
end if
end for
return p
end
Gambar 5. Pseudocode Binary Tournament Selection
Sumber: Diadaptasi dari [22], [23]
(9)
{(
1
jika u >
1
n c+1
jika u
( u) ,
=
1
1
n +1
,
2 u
dengan
min [(xx l ), (x u x)]
=
( x ux l )
3. Tahap terakhir adalah menghitung variabel
offspring y menggunakan Persamaan (14).
(14)
y= x+ max
dengan
u
l
max =x x
Pengambilan Keputusan
Ketika dihadapkan dengan beberapa pilihan,
ketidakjelasan penilaian pengambil keputusan,
menjadi penyebab ketidakjelasan tujuan yang
ingin dicapai dalam permasalahan optimasi
multitujuan. Oleh karena itu, diperlukan
parameter yang bisa digunakan untuk
menentukan kualitas individu. Parameter yang
biasa digunakan adalah fitness. Berasarkan
penelitian yang dilakukan oleh Hozairi et al.
[11], pemodelan fitness yang dapat digunakan
digunakan untuk optimasi minimalisasi dapat
dilihat pada Persamaan (15) hingga Persamaan
(18).
(10)
dengan
(n +1)
=2
=1+ (2) 2 (1) min[(x (1) x l ),( xu x(2) )]
y y
c
(1)
( 2)
(2)
(1)
y =0,5[ (x +x ) |x x |]
(2)
(1)
(2)
|x(2) x(1)|]
y =0,5 [(x +x )+
(11)
(12)
1
2
1
1
n +1 n +1 jika u>
1[2(1u)+2(u0,5)(1) ] ,
2
1
jika u
(16)
(17)
(18)
fitness 1, fitness 2, dan fitness 3 masingmasing adalah nilai fitness untuk fungsi tujuan
ke-1 (biaya), fungsi tujuan ke-2 (kandungan
fosfor), dan fungsi tujuan ke-3 (kandungan
protein). Solusi terbaik adalah solusi yang
memiliki fitness terbesar [11].
(15)
4. METODE PENELITIAN
Metode penelitian yang digunakan dalam
penelitian ini pada dilihat pada Gambar 6.
(13)
Studi Literatur
Pengumpulan Data
Model Permasalahan
Tujuan dari formulasi pakan dalam
penelitian ini adalah untuk menyusun pakan
ternak unggas yang less cost (murah), ramah
lingkungan, dan memenuhi kebutuhan nutrisi
ternak unggas. Misal x = (x1, ..., xn) dimana, xj, j
= 1, ..., n merupakan variabel keputusan bahan
ke-j dalam pakan dan n adalah jumlah bahan
pakan yang digunakan dalam formulasi.
Untuk mencapai tujuan formulasi pakan, ada
beberapa kriteria yang dioptimasi, yaitu:
1. Biaya merupakan fungsi tujuan pertama (f1)
dan utama. Model matematis fungsi tujuan
pertama dapat dilihat pada Persamaan (19)
[2].
Implementasi
Pengambilan Kesimpulan
Gambar 6. Diagram Alir Metode Penelitian
f 1= c j x j
(19)
j =1
f 2= p j x j
(20)
j=1
n
f 3= pr j x j
(21)
j=1
L i a ij x j U i ,
j =1
i =1,... , k
(22)
(23)
Individu
mulai
Kromosom
1
10
Total
r j b j s j ,
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
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
2,7 3,2 1,9 26,1 8,3 4,3 1,1 24 2,1 6,5 80,2
2,7
10
4,1 0,4 2,6 12,1 6,2 1,8 0,5 19,7 0,7 6,4 54,5
2,9 15,1 8
7 91,2
Setiap
gen
dalam
kromosom
merepresentasikan bahan pakan dalam formula
pakan. Alel ke-j pada individu ke-v (atau,
proporsi bahan ke-j pada individu ke-v), bjv
dibangkitkan secara acak antara rj dan sj, yaitu
batas minimal dan batas maksimal penggunaan
bahan pakan ke-j. Misal alel ke-1 pada individu
ke-1
(b11
=
6,3)
diperoleh
dengan
membangkitkan bilangan acak antara batas
minimal penggunaan bahan pakan ke-1 (r1 = 0,1)
dan batas maksimal penggunaan bahan pakan ke1 (s1 = 10).
selesai
Gambar 7. Penyelesaian Formulasi Pakan Ternak
Unggas Menggunakan NSGA-II
Individu
f1
f2
f3
pn
2554,2984
0,6036
26,2616
2258,1738
0,634
21,1816
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 adalah ukuran populasi.
1. 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 5. Pemeriksaan
dominansi antara individu p dan q dilakukan
menggunakan konsep dominasi berkendala [9].
Berikut ini contoh pemeriksaan dominansi
antara individu ke-1 (S1) dan individu ke-4 (S4).
Induk
x2
Kromosom
1
5
2
0,9 0,4
8
24
10
0,2 5,7
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 = 0,5000005959
Seleksi parent1
Memilih dua individu secara acak, misal S5
dan S9.
Membandingkan S5 dan S9.
S5 dan S9 tidak saling mendominasi dan
d(S5) = d(S9), maka
rand = 0,55; maka S9 terpilih.
2. Crossover
Crossover induk menggunakan simulated
binary crossover untuk membentuk offspring
baru. Berikut ini adalah contoh implementasi
SBX pada induk S9 dan S8. Alel induk dapat
dilihat pada Tabel 3. Batasan alel dapat dilihat
pada Tabel 3, batas minimal dan batas maksimal
penggunaan bahan adalah batas bawah (xL) dan
sebagai batas atas (xU) alel.
nc = 20
x1 = parent1 = S9
x2 = parent2 = S8
Kromosom
1
2,7
10
7
12
mut_pow = 0,04762
y3 = x3 + * (yU yL)
y3 = 0,6 + (-0,02891) * (5 0,1)
y3 = 0,45835
Random[0,1] = 0,93
Random[0,1] > 0,5
maka:
y1,1 = 2,52762
y2,1 = 8,972
y1
2,5
y2
2,5
y2
10
10
y1
3. 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).
Kromosom
Offspring
nm = 20
pm = 1 / n = 1/ 10 = 0,1
x = y1
2,5
10
...
...
...
...
10
...
...
...
...
...
...
...
Individu
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)
13
Kromosom
1
10
Total
Offspring
Kromosom
Offspring
6,3 3,2 1,9 28,9 1,5 1,8 0,9 28 1,5 5,1 79,1
...
...
...
...
11
2,5
12
...
...
...
...
...
...
...
7 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
10
Total
Individu
Kromosom
Dominasi
Sp
np
mendominasi
3,6 0,9 1,1 11,7 7,9 7,2 0,8 24,1 0,8 6,5 64,6
16
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
19
20
3,6 3,2 4,5 26,1 8,3 9,5 1,1 24 2,1 6,5 88,9
15
f1
f2
f3
pn
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
S1
S1
S2
Dominasi
Sp
Tidak saling
mendominasi
Tidak saling
S20 S1
S20 didominasi S1
S2
S20 didominasi S2
14
Fi
1
p dalam Fi
nq =
(nq - 1)
Jika nq = 0
maka
Q=Qq
S1
S1
S20
13
S1, S5
S2
S1, S5
S3
S1, S5
...
...
...
S20
12
S7
...
...
...
q dalam Sp
F1 = {S4, S8}
S4
S8
Sp = {S1, S3,
S5, S7, S10, S11,
S12, S15, S16,
S17, S18, S19,
S20}
Sp = {S2, S3,
S6, S7, S9, S10,
S11, S12, S13,
S14, S15, S16,
S17, S18, S19,
S20}
F2 = Q = {S1, S5,
S6, S13, S14}
2
Penentuan Peringkat
Setiap individu dalam populasi intermediate
diberi peringkat atau fitness berdasarkan frontnya. Letak individu dalam front dapat diketahui
dengan menggunakan algoritma fast nondominated sort, sebagaimana dideskripsikan
dalam Gambar 2. 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 [9]. Pengurutan
individu ke dalam front dapat dilihat pada Tabel
9 dan Tabel 10. Kolom np menyatakan jumlah
solusi yang mendominasi solusi p. Kolom Sp
menyatakan himpunan solusi yang didominasi
oleh solusi p.
np
0
0
14
Sp = {S7, S11,
S12, S15, S16,
S17, S18, S19,
S20}
Fi
p dalam Fi
q dalam Sp
nq =
(nq - 1)
Jika nq = 0
maka
Q=Qq
S20
11
S14
Sp = {S3, S7,
S9, S10, S11, S12,
S15, S16, S17,
S18, S19, S20}
S3
S2
...
...
...
S20
S2, S9
F3 = Q = {S2, S9}
4, 8
1, 5, 6, 13, 14
2, 9
3, 10
15
16
20
19
10
17
11
12
12
18
13
11
d5 = 0,196916786
d4 =
h. Mengurut individu berdasarkan nilai
fungsi tujuan ke-3 secara ascending.
f3,4 = 21,1427 (f minimal)
f3,3 = 22,1598
f3,5 = 22,1598
f3,1 = 26,2616
f3,2 = 27,2501 (f maksimal)
i. Menginisialisasi
crowding
distance
individu ke-1 dan individu terakhir
dengan nilai tak terbatas ().
d4 = d2 =
j. Menghitung crowding distance individu
yang ada pada urutan ke-2 hingga 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)=
Front
1,796803946
13
14
1,708271864
f2
f3
Fitness
2397,96
0,6008
22,8525
0,017086233
1748,72
0,6047
20,5972
0,017028347
10.
2. Ukuran populasi = 50; jumlah generasi = 50.
3. Indeks distribusi crossover = 20.
4. Indeks distribusi mutasi = 20.
Proporsi Bahan
6,3
f1
f2
f2
Waktu
1623,890 0,600014 19,08683 17141
3,7 0,5 8,4 0,5 0,9 35,9 0,1 6,3
5325444 7929
43195
Tabel 15 Kebutuhan Nutrisi Ayam Petelur Starter dan Kandungan Nutrisi dalam Formula Pakan Hasil
Formulasi
Kebutuhan Nutrisi
EM(Kkal/kg)
2800 *
PK (%/kg)
LK (%/kg)
SK (%/kg)
Ca (%/kg)
P (%/kg)
Lis (%/kg)
Met (%/kg)
19 *
4-6
4-5
0,9-1,1
0,6-0,8
0,85 *
0,3 *
Kandungan Nutrisi dalam Formula Pakan Hasil Formuasi
2917,14497 19,086834 4,5684911 4,6449704 1,0762426 0,6000147 0,8514644 0,4502218
04142
3195
243
142
036
929
97
935
Keterangan:
* Kebutuhan minimal
Berdasarkan penelitian [27], harga konsetrat
ayam petelur pada tahun 2010 adalah 4700
yang sama.
3. Pada penelitian ini, formula pakan yang
diformulasikan merupakan total self-mixing,
sehingga untuk semi self-mixing perlu
dilakukan penelitian lebih lanjut agar
menghasilkan pakan yang memenuhi
kebutuhan nutrisi ternak unggas, murah, dan
ramah lingkungan.
7. DAFTAR PUSTAKA
[1] E. Widodo, Teori dan Aplikasi Pembuatan
Pakan Ternak Ayam dan Itik. 2010.
[2] C. Castrodeza, P. Lara, and T. Pea,
Multicriteria Fractional Model for Feed
Formulation: Economic, Nutritional and
Environmental Criteria, Agric. Syst., vol.
86, no. 1, pp. 7696, 2005.
[3] E. Widodo, Formulasi Pakan Ternak
Unggas, 22 November 2015.
[4] Amazine, Nitrogen (N): Fakta, Sifat,
Kegunaan & Efek Kesehatannya, 13-Jul2013.
[Online].
Tersedia:
http://www.amazine.co/25989/nitrogen-nfakta-sifat-kegunaan-efek-kesehatannya/.
[Diakses: 22 November 2015].
[5] W. F. Mahmudy, Algoritma Evolusi.
Program Teknologi Informasi dan Ilmu
Komputer, Universitas Brawijaya, Malang,
2013.
[6] P. I. Ciptayani, W. F. Mahmudy, and A. W.
Widodo, Penerapan Algoritma Genetika
untuk Kompresi Citra Fraktal, J. Ilmu
Komput., vol. 2, no. 1, 2009.
[7] L. K. Wardani, M. Safrizal, and A. Chairi,
Optimasi Komposisi Bahan Pakan Ikan Air
Tawar Menggunakan Metode MultiObjective Genetic Algorithm, Semin. Nas.
Apl. Teknol. Inf., Juni 2011.
[8] N. Srinivas and K. Deb, Multiobjective
Optimization Using Nondominated Sorting
in Genetic Algorithms, Evol. Comput., vol.
2, no. 3, pp. 221248, 1994.
[9] K. Deb, A. Pratap, S. Agarwal, and T.
Meyarivan,
A
Fast
and
Elitist
Multiobjective Genetic Algorithm: NSGAII, IEEE Trans. Evol. Comput., vol. 6, no.
2, pp. 182197, April 2002.
[10] H. Ghiasi, D. Pasini, and L. Lessard, A
Non-Dominated Sorting Hybrid Algorithm
for Multi-objective Optimization of
Engineering Problems, Eng. Optim., vol.
43, no. 1, pp. 3959, 2011.
[11] Hozairi, K. B. Artana, Masroeri, and M. I.
Irawan, Implementation of Nondominated
Sorting Genetic Algorithm-II (NSGA-II) for
Multiobjective Optimization Problems On
Distribution of Indonesian Navy Warship,
parison_between_NSGAII_and_its_implementation_in_C_code_and
_Jmetal_does_NSGAII_implementation_oppose_against_its_con
cepts. [Diakses: 02 Desember 2015].
[22] T. Blickle and L. Thiele, A Comparison of
Selection Schemes used in Genetic
Algorithms, Computer Engineering and
Networks Lab (TIK), Swiss Federal Institute
of Technology (ETH), Zurich, Techical
Report 11, Desember 1995.
[23] Deong, Tournament Selection in Genetic
Algorithms.
Tersedia:
http://cstheory.stackexchange.com/questions
/14758/tournament-selection-in-geneticalgorithms/14760#14760. [Diakses: 17 April
2015].
[24] K. Deb and R. B. Agrawal, Simulated
Binary Crossover for Continuous Search
Space, Complex Syst., vol. 9, no. 2, pp.
115148, 1995.
[25] K. Deb, An Efficient Constraint Handling
Method for Genetic Algorithms, Comput.
Methods Appl. Mech. Eng., vol. 186, no. 2
4, pp. 311338, Juni 2000.
[26] K. Deb and M. Goyal, A Combined
Genetic Adaptive Search (GeneAS) for
Engineering Design, Comput. Sci. Inform.,
vol. 26, no. 4, pp. 3045, 1996.
[27] R. D. K. Aritonang, Kelayakan Usaha
Budidaya Petelur (Analisis Biaya manfaat
dan BEP pada Keanu Farm, Kendal), S1,
Universitas Negeri Semarang, Semarang,
2013.
20