Kelompok 7

Nama/Nim : Yason Manullang / (31S18028)

Nama/Nim : Rinaldi P Butar-butar / (31S18022)
Nama/Nim : Rismauli Siahaan / (31S18024)

Tugas 2 Mikrobiologi Industri

1. Jelaskan strategi2 yang dapat dilakukan untuk mengoptimasi media.

Latar Belakang
Optimasi media diperlukan untuk memaksimalkan hasil metabolit, optimasi media dapat dicapai
dengan menggunakan berbagai teknik klasik seperti “satu factor pada satu waktu” hingga teknik statistic
modern yaitu jaringan saraf tiruan (JST), algoritma genetic (GA) dll. Setiap teknik memiliki kelebihan
dan kekurangannya masing masing, maka dari itu diperlukan tinjauan terhadap teknik teknik optimasi
media , untuk mendapat media yang ideal pada proses fermentasi dan produksi dari metabolit maksimal
dengan harga yang minimal.

Pendahuluan
Teknologi fermentasi banyak digunakan untuk produksi berbagai senyawa seperti antibiotic
maupun produk lainnya, meskipun, proses fermentasi digunakan dari generasi ke generasi, kebutuhan
akan produksi produk yang berkelanjutan, harus memenuhi persyaratan pasar dengan biaya yang efektif
telah menjadi permintaan yang menantang. Untuk setiap produk berbasis fermentasi, yang terpenting
adalah ketersediaan produk fermentasi yang sesuai dengan permintaan pasar. Berbagai mikroorganisme
telah dilaporkan menghasilkan berbagai metabolit primer dan sekunder, tetapi dalam jumlah yang sangat
rendah. Dalam memenuhi kebutuhan pasar, perkembangan dari teknologi fermentasi sangat diperlukan,
salah satunya ialah optimasi media, Optimalisasi medium masih merupakan salah satu fenomena yang
paling kritis diselidiki yang dilakukan sebelum produksi metabolit dalam skala besar, dan memiliki
banyak tantangan juga, optimasi media juga dilakukan dengan menggunakan metode klasik, yang mahal,
memakan waktu, melibatkan banyak eksperimen dengan akurasi yang dikompromikan. Namun demikian,
dengan munculnya teknik matematika/statistik modern, optimasi media menjadi lebih hidup, efektif,
efisien, ekonomis dan kuat dalam memberikan hasil.

Tujuan
1. Mengembangkan teknologi fermentasi
2. Meningkatkan penelitian terhadap optimalisasi media
3. Menganalisis kekurangan dan kelebihan setiap teknik optimasi media
4. Mendapat pola/metode yang tepat dalam optimalisasi media
5. Menghasilkan media yang ideal.
Strategi optimasi media
Selama perancangan dan pengoptimalan media, terdapat berbagai strategi yang tersedia yang
sering digunakan untuk meningkatkan efisiensi media produksi.

Metode Optimasi Medium Klasik

1. Satu Faktor Sekaligus (OFAT)

Dalam teknik optimasi media klasik, pada eksperimen satu faktor pada waktu (OFAT) hanya satu
faktor atau variabel yang divariasikan pada satu waktu dan sambil menjaga variabel lain tetap konstan.
Konsentrasi komponen media yang dipilih kemudian diubah pada kisaran yang diinginkan. Metode ini
digunakan selama tahap awal formulasi medium untuk produksi metabolit baru atau senyawa dari sumber
baru. Berdasarkan pendekatan yang diterapkan, OFAT dikelompokkan menjadi:

a. Eksperimen penghapusan

Dalam jenis percobaan ini, semua komponen media dikeluarkan dari media produksi satu per satu,
dan setelah masa inkubasi yang tepat, efeknya pada produksi metabolit sekunder atau produk yang
diinginkan diamati dalam parameter yang sesuai. Sebagai contoh produksi senyawa antijamur dari
Streptomyces capoamus, dilakukan penghapusan bungkil kedelai atau gliserol atau NaCl dari media
fermentasi.

b. Eksperimen suplemen

Eksperimen suplementasi umumnya dilakukan untuk mengevaluasi efek berbagai suplemen karbon
dan nitrogen pada produksi metabolit. Pada produksi dari Streptomyces violaceusniger peningkatan hasil
diamati dengan menambahkan xilosa, sorbitol dan hidroksil prolin dalam media produksi. Demikian pula,
gliserol dan pepton ditemukan sebagai sumber karbon dan nitrogen yang paling cocok untuk produksi
metabolit antijamur dan antibakteri dari Streptomyces rimosus dalam kondisi fermentasi terendam

c. Eksperimen pengganti

Untuk formulasi medium, sumber karbon/nitrogen yang menunjukkan efek peningkatan pada
produksi metabolit yang diinginkan dalam percobaan suplementasi umumnya dicoba untuk digunakan
sebagai sumber karbon/nitrogen secara keseluruhan.

d. Parameter fisik

Selain variabel kimia dan biologi, beberapa peneliti menggunakan eksperimen OFAT untuk
membakukan parameter fisik seperti pH, suhu, agitasi dan persyaratan aerasi proses fermentasi. Seperti
teknik lainnya, metode optimasi OFAT memiliki kelebihan dan kekurangan. Adapun Keuntungan utama
OFAT adalah kesederhanaannya dimana serangkaian percobaan dapat dilakukan dan hasilnya dapat
dianalisis dengan menggunakan grafik sederhana tanpa bantuan analisis/program statistik kelas atas.
Sedangkan kelemahan utama OFAT adalah kesulitan dalam memperkirakan "interaksi" dari eksperimen
karena merupakan urutan scattershot hit-and-miss dari eksperimen.
 2. Desain eksperimen

Penggunaan metode statistik yaitu Design of Experiment (DOE) untuk optimasi media dalam proses
fermentasi dapat mengatasi keterbatasan metode OFAT klasik dan dapat menjadi alat yang ampuh untuk
optimasi produksi metabolit.

DOE adalah serangkaian eksperimen yang direncanakan dan dilaksanakan secara strategis untuk
memperoleh informasi yang lebih banyak tentang pengaruh lebih dari satu parameter pada suatu waktu
pada keluaran, yaitu hasil produk. Dalam metode ini, beberapa faktor atau komponen media dibandingkan
secara bersamaan dan efeknya diamati dan diberi peringkat berdasarkan hasil. Setelah variabel respons
ditentukan dan diberi peringkat, parameter kinerja statistik dihasilkan dari analisis selanjutnya.

Optimasi media statistik

Dengan kemajuan teknik statistik, optimasi menengah telah menemukan dimensi baru, karena
teknik ini meningkatkan efisiensi proses, mengurangi waktu yang dibutuhkan dalam proses dan biaya
tenaga kerja, dll., sehingga berkontribusi terhadap ekonomi proses secara keseluruhan. Di alam proses
mikroba mengandung jumlah variasi alami yang relatif besar. Jaringan yang terkait dengan reaksi
mikroba sangat kompleks, dan beberapa faktor mempengaruhi bagian jaringan yang berbeda. Dengan
menggunakan desain eksperimen, jumlah eksperimen yang diperlukan untuk mendapatkan optimasi
proses yang andal dapat dikurangi.

Setelah dilakukan banyak penelitian perbaikan substansial pada media yang diperoleh dengan
menggunakan teknik OFAT dan menggunakan metode DOE. Misalnya, pada laju produksi gas metana
dan karbon dioksida dari Methanosarcina Parker, bakteri yang tumbuh pada metanol, media yang
dioptimalkan melalui desain eksperimental ditemukan bahwa produksi gas 1,3 kali lebih banyak
dibandingkan dengan media yang dioptimalkan dengan metode OFAT.

1. Eksperimental desain

Teknik statistik modern merupakan alat yang kuat untuk evaluasi komponen atau efek variabel.
Eksperimen ini dilakukan dengan ukuran sampel yang cukup untuk mendapatkan data yang memadai
dengan tujuan seefisien mungkin. Dalam desain faktorial penuh, semua kombinasi faktor misalnya pH,
regangan, komponen medium, suhu, dll diuji. Sebaliknya, dalam analisis faktorial parsial hanya sedikit
kombinasi yang diambil dan diuji. Biasanya, analisis faktorial parsial dilakukan ketika desain faktorial
penuh tidak memungkinkan atau sedikit interaksi komponen media untuk strain tertentu tersedia.

a. Desain burman plakett

Semua komponen yang ada dalam media tidak semua berkontribusi dalam produksi metabolit. Oleh
karena itu faktor-faktor yang tidak berkontribusi harus dihilangkan. Plakett Burman Design (PBD),
adalah desain dua tingkat yang digunakan untuk mendeteksi efek utama secara ekonomis dengan asumsi
semua interaksi lainnya dapat diabaikan. Ketika membandingkan beberapa efek utama ketika tidak ada
interaksi yang diamati adalah suatu variable lebih unggul atau lebih rendah dari yang diperkirakan. Dalam
perancangan terdapat dua jenis variabel, yaitu “variabel nyata” yang konsentrasinya berubah selama
percobaan, dan ”variabel tiruan,” yang konsentrasinya tetap konstan selama percobaan dan digunakan
untuk memperkirakan kesalahan. Setiap variabel diwakili dalam dua level, yaitu tinggi (H) dan rendah
(L).

b. Desain taguchi

Dr. Genichi Taguchi mengembangkan metode yang didasarkan pada “ORTHOGONAL ARRAY.”
Dimana metode ini menunjukkan parameter yang berbeda mempengaruhi hasil dalam jumlah kecil semua
kombinasi yang mungkin seperti desain faktorial. Teknik taguchi memiliki 3 tahap fitur control kualitas
o-line yaitu strategi sistem, perancangan parameter, dan fase desain toleransi.

Strategi sistem berfungsi dalam menemukan tingkat eksperimental fitur desain sementara perancangan
parameter berfungsi untuk tingkat faktor dan memberikan efek terpenting dari proses, sedangkan fase
desain toleransi meningkatkan toleransi unsur yang sangat mempengaruhi pembentukan produk.

c. Desain komposit pusat

Central composit design (CCD) digunakan dalam metodologi permukaan respons untuk membangun
model orde kedua (kuadrat) untuk variabel respons tanpa menggunakan eksperimen faktorial tiga tingkat
yang lengkap. CCD terdiri dari 3 jenis yaitu CCD melingkar (CCC), CCD tertulis (CCI) dan CCD face
centered (CCF).

d. Desain kotak behnken

Desain Box-Behnken tidak tergantung pada desain kuadrat yang tidak mengandung desain faktorial
atau faktorial fraksional yang disematkan. Dalam desain ini kombinasi perlakuan berada di titik tengah
tepi ruang proses. Desain ini dapat diputar. Desain memiliki kemampuan terbatas untuk memblokir
ortogonal dibandingkan dengan desain komposit pusat.

Teknik Optimasi
Metode Respon Permukaan (RSM)
Selama pengembangan formulasi farmasi, berbagai media produksi dan variabel proses yang terkait
dengan produktivitas, keamanan, dan kegunaan harus dioptimalkan. RSM adalah pendekatan matematis
yang kokoh, kuat, dan efisien yang mencakup desain eksperimental statistik dan analisis regresi
berganda, untuk mencari formulasi terbaik di bawah serangkaian persamaan terbatas. RSM telah sering
diterapkan untuk mengoptimalkan variabel formulasi dan optimasi proses fermentasi.

Telah banyak dilakukan dalam bidang fermentasi dalam pengoptimalan media tumbuh mikroorganisme,
salah satu contoh nya ialah dimana dengan menggunakan metode RSM untuk produksi kitanase dasi
Alealigenes xylosoxydans dan memperoleh peningkatan produksi 1,4 kali lipat (Houck dkk., 1995;
Franco-Lara dkk., 2006). Vaidya dkk. (2003).

RSM menggunakan beberapa fase optimasi (Gupte dan Kulkarni, 2003) dan dapat dilakukan dalam tiga
langkah dasar yaitu eksperimen yang dirancang untuk penyaringan faktor diikuti dengan jalur
pendakian/penurunan paling curam dan akhirnya model regresi kuadrat dipasang dan dioptimalkan
menggunakan metode analisis regresi kanonik. Salah satu input penting dari RSM adalah representasi
hasil, sebagai plot permukaan. Hal ini dapat memberikan beberapa tanggapan pada saat yang sama
dengan mempertimbangkan interaksi antara variabel, yang sangat diperlukan untuk merancang dan
optimasi proses (Zhang dan Gao, 2007).

Meskipun digunakan secara luas dengan banyak keberhasilan, beberapa keterbatasan terkait dengan
RSM, misalnya, prediksi respons berdasarkan persamaan polinomial orde kedua sering terbatas pada
level rendah dan menghasilkan estimasi formulasi optimal yang buruk (Baishan et al., 2003).
Keterbatasan penting lainnya adalah kompleksitas metabolisme mikroorganisme. Ketika sejumlah besar
variabel terlibat, pengembangan ketat model untuk sistem reaksi biologis tertentu secara fisik dan kimia
masih merupakan tantangan kritis. Untuk mengatasi keterbatasan RSM teknik lain, saat ini JST telah
banyak digunakan oleh para peneliti.

Jaringan Saraf Tiruan (JST)

Jaringan saraf tiruan (JST) adalah model matematika atau komputasi yang dipengaruhi oleh aspek
struktural dan/atau fungsional dari jaringan saraf biologis. Jaringan saraf biasanya diterapkan dalam
masalah estimasi dan prediksi multi-langkah, tetapi juga dapat digunakan sebagai pengontrol secara
langsung atau sebagai pengatur parameter proses apa pun untuk pengontrol konvensional. Karakteristik
penting dari JST adalah bahwa mereka dapat bekerja dengan lancar dengan sejumlah besar data, unggul
dalam pengenalan pola yang kompleks dan tidak memerlukan deskripsi mekanistik dari sistem
(McCord- Nelson dan Illingworth, 1991). JST sangat cocok untuk desain menengah, karena
menghasilkan sejumlah besar data yang sering mengandung pola tersembunyi.

JST telah banyak diterapkan dengan sukses besar untuk perancangan sistem, pemodelan, optimasi dan
kontrol terutama karena kapasitasnya untuk mempelajari sinyal noise filter dan generalisasi informasi
melalui prosedur pelatihan yang sistematis (Foster dan Katz, 1981; Singh dkk., 2009). Teknik optimasi
sebagian besar merupakan teknik umum dan dapat digunakan dalam berbagai fermentasi proses dengan
efisiensi yang sama.

menggunakan teknik JST untuk mengoptimalkan reaktor kabut nutrisi untuk pertumbuhan akar berbulu
dan mengembangkan model yang efisien untuk mengoptimalkan kondisi kultur dan juga memprediksi
produktivitas biomassa secara efektif di bawah kondisi kultur yang berbeda. Dalam studi lain,
kombinasi ANN dan algoritma genetika (GA) diterapkan untuk memaksimalkan konsentrasi asli dan
umur simpan protein aspartat-β-semialdehid dehidrogenase (Khan dkk., 2011)

Jaringan syaraf tiruan dapat bekerja pada masalah yang memiliki program/hubungan nonlinier. Ada
batasan tertentu dari jaringan saraf, misalnya, perlu pelatihan yang tepat untuk beroperasi secara
efisien. Dalam JST, kualitas data input untuk pelatihan menentukan kualitas data output.

Algoritma Genetika (GA)

Model matematika berfungsi sebagai fungsi fitness dalam penentuan konsentrasi optimum komponen
medium menggunakan GA. GA meniru proses mutasi dan didasarkan pada prinsip “survival of the
fittest”. Algoritma ini didasarkan pada proses biologis evolusi, yaitu seleksi alam (Houck dkk., 1995).
Seseorang dapat menerapkan GA untuk memecahkan berbagai masalah optimasi yang tidak cocok
untuk algoritma optimasi standar (Franco- Lara et al., 2006), termasuk masalah di mana fungsi tujuan
mungkin tidak terdiferensiasi, diskontinu, stokastik atau sangat nonlinier. GA mengikuti terutama tiga
jenis aturan pada setiap langkah untuk membuat generasi berikutnya dari populasi saat ini :
 1. Aturan seleksi memilih individu, yang dikenal sebagai orang tua yang berkontribusi pada
populasi generasi berikutnya.
2. Aturan crossover menggabungkan dua orang tua untuk membentuk anak-anak untuk generasi
berikutnya
3. Aturan mutasi berlaku perubahan acak untuk orang tua individu untuk membentuk anak-anak.

Salah satu penelitian yang sudah menggunakan GA yaitu, mengoptimalkan komposisi media untuk
produksi rifamycin B menggunakan strain mutan Amycolatopsis mediterranei pada tingkat labu kocok
(Bapat dan Wangikar, 2004). Salah satu keuntungan utama GA adalah, ia dapat menangani data dalam
jumlah besar tanpa menebak-nebak di setiap percobaan, karena arahnya diatur secara otomatis. Oleh
karena itu, GA adalah metode terbaik untuk menyelesaikan masalah optimasi yang kompleks.

Nelder–Mead simpleks (NM)

Metode NM adalah Teknik statistik lain, yang telah terbukti membantu dalam mengurangi biaya
optimasi klasik dan memberikan hasil yang memuaskan. Metode simpleks NM sering memberikan
perbaikan yang signifikan dalam iterasi utama dan menghasilkan hasil yang cepat dan memuaskan.
Teknik ini juga dapat berhasil digunakan dalam kombinasi dengan JST untuk mengoptimalkan produksi
berbagai metabolit. Secara keseluruhan peningkatan nilai fungsi lebih praktis daripada optimasi penuh
(Penyanyi dan Nelder, 2009).

Salah satu penelitian yang memanfaatkan metode NM diantaranya yaitu, Produksi aktinomisin D dari
Streptomyces sindenensis dalam kondisi fermentasi terendam adalah salah satu contoh terbaik, di mana
kombinasi di atas telah digunakan (Tripathi dkk., 2012). Mereka membandingkan hasil kombinasi
ANN-GA dengan optimasi ANN-Nelder-Mead downhill simplex (NMDS) dan melaporkan bahwa
kemudian lebih manjur dan memberikan sekitar 12% hasil yang lebih tinggi daripada hasil yang
diperoleh ANN ditambah dengan GA di bawah kondisi yang sama. Mereka menggunakan GA dan
NMDS secara terpisah untuk mengoptimalkan parameter fermentasi, seperti laju aliran udara dan laju
pengadukan bioreaktor untuk produksi aktinomisin D maksimum. Hampir, produksi aktinomisin D 1,5
kali lipat meningkat dibandingkan dengan titik optimal dalam percobaan shake-flask (1,26 sampai 2
gm/L).

Adapun kekurangan dari metode ini yaitu, dalam hal estimai proses dan control proses, dimana nilai
fungsi tidak pasti. Oleh karena itu, tingkat akurasi yang tinggi dalam solusi tidak dibutuhkan dan
mungkin tidak mungkin dihitung.

Masalah Dalam Optimasi Medium

Optimalisasi menengah melibatkan sejumlah besar eksperimen terlepas dari media yang dipilih, yang
memperhitungkan biaya tenaga kerja dan merupakan eksperimen terbuka. Jarang, data yang dihasilkan
dari media labu takar sama persis dengan studi fermentor (Kennedy dkk., 1994; O'Kennedy dkk.,
2003). Pada studi laboratorium memiliki empat kelemahan utama yaitu :
1. PH tidak dapat dikonrol,
2. Kemampuan transfer oksigen yang buruk / tidak dapat dijaga,
3. Pencampuran yang tidak merata,
4. Dan penguapan yang cukup besar selama proses.
Misalnya perlakuann pada bakteri atau yang memiliki sifat sel yang dinamisdengan banyak
mikroorganisme control internal, namun Sebagian besar studi optimasi media memperlakukannya
sebagai kotak hitam atau hanya digunakan untuk data empiris saja. Oleh karena itu perlu adanya
pengauran jalur metabolism, laju mutase pada medium tertentu, karena dapat meningkatkan atau
menurunkan hasil produksi.

Arah Masa Depan Dalam Teknik Optimasi Dalam Perancangan Media Fermentasi.
Selain strategi peningkatan regangan, optimasi media telah terbukti menjadi strategi lain yang berharga
menuju peningkatan hasil produk dan perbaikan proses. Biaya produk fermentasi dapat dikurangi
dengan mengganti komponen yang mahal dengan sumber yang lebih murah dan/atau dengan
peningkatan produktivitas. Ini adalah tujuan dari strategi pengoptimalan yang sukses. Namun masih ada
keterbatasan pada tingkat gen yaitu, setiap mikroba memiliki beberapa keterbatasan pada tingkat gen
mereka untuk produksi metabolit tertentu, sehingga pencarian mikroba baru dengan produktivitas yang
lebih besar selalu diperlukan. Manipulasi genetik adalah cara alternatif untuk meningkatkan
produktivitas mikroba.

Karena kondisi keterbatasan substrat merupakan faktor kunci dalam produksi metabolit sekunder, maka
perancangan dan optimalisasi cara produksi kemostat dapat meningkatkan produktivitas dan mengurangi
hilangnya substrat yang tidak terpakai. Sulit untuk memahami sifat yang tepat dari mikroba atau sistem
kehidupan lainnya dan biologi tetapi dengan peningkatan pemahaman akan layak untuk memilih desain
yang cocok untuk kinerja yang lebih baik; misalnya, fluks metabolik adalah laju pergantian produk atau
molekul apa pun yang terbentuk melalui jalur metabolisme yang diatur oleh serangkaian enzim yang
terlibat dalam jalur tertentu itu. Pengetahuan rinci tentang fluks metabolik dan regulasinya dapat
membantu untuk merancang media atau kinerja model matematika dengan akurasi yang lebih besar.
Selain itu, pengetahuan sebelumnya tentang biosintesis metabolit yang diinginkan memberikan
informasi tentang zat antara yang terbentuk selama biosintesis metabolit tersebut yang pada gilirannya
akan membantu selama pemilihan larutan karbon, nitrogen atau garam yang juga dapat bertindak
sebagai penginduksi. untuk produksi metabolit yang diinginkan.

Dari uraian diatas dapat disimppulkan bahwa setiap metode optimasi baik konvensional maupun
statistic/modern memiliki kekurangan dan keebihannya masing-masing. Berikut kami sajikan kelebihan
dan kekurangan dari setiap metode optimasi secara ringkas.

Teknik Klasik
  Kelebihan Kekurangan
- Sederhana - Kesulitan dalam memperkirakan
- Alat penyaringan terbaik ketika tidak “interaksi” dari percobaan
OFAT ada media yang diketahui - Memerlukan waktu dan biaya lebih
banyak
- Melelahkan
- Mengamati parameter yang -
berpengaruh terhadap produksi
Removal
metabolit sekunder (yang
diinginkan)
Supleme - Mengevaluasi Efek suplemen karbon -
n dan Nitrogen
Pengganti - Mengganti Suplemen yang tidak -
 terlalu berpengaruh dengan meneliti
senyawa yang berpengaruh,
kemudian dijadikan suplemen utama

Teknik Statistik
  Kelebihan Kekurangan
- Eksperimen yang terencana, -
terstruktur dan hemat
- Menjadi alat yang ampuh untuk
Desain Eksperimen produksi metabolit
(DOE) - Membandingkan metode, factor
dan komponen media, lalu
memberi peringkat terhadap
yang terbaik – kurang baik.
- Menghilangkan factor-faktor -
yang tidak berkontribusi sedini
Desain Berman
mungkin
Plaket (PBD)
- Membedakan variable nyata dan
variable dummy
- Menunjukkan parameter yang -
berbeda mempengaruhi hasil
Desain Taguchi dalam jumlah kecil semua
kombinasi yang mungkin seperti
desain faktorial
- Digunakan dalam metodologi -
permukaan respons untuk
membangun model orde kedua
Desain Komposit
(kuadrat) untuk variabel respons
Pusat
tanpa menggunakan eksperimen
faktorial tiga tingkat yang
lengkap
- Desain memiliki kemampuan -
terbatas untuk memblokir
ortogonal dibandingkan dengan
Desain Kotak desain komposit pusat.
Behnken - Tidak tergantung pada desain
kuadrat yang tidak mengandung
desain faktorial atau faktorial
fraksional yang disematkan

Teknik Modern
  Kelebihan Kekurangan
Metodologi Permukaan - pendekatan matematis yang - , prediksi respons berdasarkan

Respon (RSM)
Jaringan Saraf Tiruan (JST)
Algoritma Genetika (GA)
Nelder-Mead Simpleks
kokoh, kuat, dan efisien persamaan polinomial orde kedua
yang mencakup desain sering terbatas pada level rendah
eksperimental statistik dan dan menghasilkan estimasi
analisis regresi berganda, formulasi optimal yang buruk
untuk mencari formulasi (Baishan et al., 2003)
terbaik di bawah
serangkaian persamaan
terbatas
- model matematika atau Ada batasan tertentu dari jaringan
komputasi yang dipengaruhi saraf, misalnya, perlu pelatihan
oleh aspek struktural yang tepat untuk beroperasi secara
dan/atau fungsional dari efisien. Dalam JST, kualitas data
jaringan saraf biologis. input untuk pelatihan menentukan
- Karakteristik penting dari kualitas data output.
JST adalah bahwa mereka
dapat bekerja dengan lancar
dengan sejumlah besar data,
unggul dalam pengenalan
pola yang kompleks dan
tidak memerlukan deskripsi
mekanistik dari sistem
(McCord- Nelson dan
Illingworth, 1991).
- untuk memecahkan -
berbagai masalah optimasi
yang tidak cocok untuk
algoritma optimasi standar
(Franco- Lara et al., 2006),
termasuk masalah di mana
fungsi tujuan mungkin tidak
terdiferensiasi, diskontinu,
stokastik atau sangat
nonlinier
- membantu dalam Adapun kekurangan dari metode
mengurangi biaya optimasi ini yaitu, dalam hal estimai proses
klasik dan memberikan hasil dan control proses, dimana nilai
yang memuaskan. fungsi tidak pasti. Oleh karena itu,
- Metode simpleks NM sering tingkat akurasi yang tinggi dalam
memberikan perbaikan yang solusi tidak dibutuhkan dan
signifikan dalam iterasi mungkin tidak mungkin dihitung.
utama dan menghasilkan
hasil yang cepat dan
memuaskan.
- Teknik ini juga dapat
berhasil digunakan dalam
kombinasi dengan JST
untuk mengoptimalkan
produksi berbagai metabolit.
Secara keseluruhan
peningkatan nilai fungsi
lebih praktis daripada
optimasi penuh