Machine Translated by Google

Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/354680933

Optimalisasi Keuntungan Perusahaan Pertanian Melalui Penerapan

Algoritma Genetika
Artikel di Jurnal Internasional Aplikasi Komputer · September 2021
DOI: 10.5120/ijca2021921613

KUTIPAN BACA

0 60

4 penulis, termasuk:

Rodes Batista Heliton Pandorfi

Universitas Federal Pedesaan de Pernambuco Universitas Federal Pedesaan de Pernambuco

25 PUBLIKASI 73 KUTIPAN 71 PUBLIKASI 654 KUTIPAN

LIHAT PROFIL LIHAT PROFIL

Gledson Almeida

21 PUBLIKASI 100 CITASI

LIHAT PROFIL

Beberapa penulis publikasi ini juga sedang mengerjakan proyek terkait berikut:

Proyek Tampilan Agrometeorologi

Semua konten setelah halaman ini diunggah oleh Rodes Batista pada tanggal 18 September 2021.

Pengguna telah meminta penyempurnaan file yang diunduh.

Machine Translated by Google
Optimalisasi Keuntungan Perusahaan Pertanian
Melalui Penerapan Algoritma Genetika
Rodes Angelo B.da Heliton Pandorfi
Silva Profesor dari
Mahasiswa S3 Jurusan Teknik Pertanian
Teknik Pertanian UFRPE/ Departemen
Recife, UFRPE/Recife, PE
PE
ABSTRAK
Untuk perencanaan proses produksi yang tepat pada perusahaan
pertanian, diperlukan sumber daya yang memungkinkan berkembangnya
metodologi yang mampu menghasilkan solusi optimal yang mendukung
pengambilan keputusan. Tujuan dari penelitian ini adalah mengembangkan
prototipe untuk mengoptimalkan keuntungan perusahaan pertanian
melalui penerapan algoritma genetika. Memperoleh data mengenai
proses produksi milik perusahaan susu yang khusus memproduksi produk
susu, yang berlokasi di kotamadya Caruaru, negara bagian Pernambuco.
Kunjungan lapangan dilakukan untuk mensurvei seluruh proses produksi
produk yang diteliti; wawancara dengan pemilik bisnis untuk mengetahui
minat pasar utama mereka; pengumpulan data untuk penjabaran model
bisnis, dengan penekanan pada diversifikasi produk dan peningkatan
margin keuntungan perusahaan. Dari data tersebut, prototipe “AG
perencanaan” dikembangkan menggunakan bahasa python dan
perpustakaan tkinter. Untuk implementasinya, fungsi berbasis tujuan
pertama kali dikembangkan. keuntungan dan 10 batasan dimodelkan
berdasarkan waktu produksi setiap produk, jumlah karyawan dan jam
kerja. Tiga pengulangan dari 3, 6 dan 10 eksekusi algoritma dilakukan
untuk memverifikasi nilai keuntungan setinggi mungkin. Peningkatan
margin keuntungan yang paling signifikan diidentifikasi pada simulasi
pertama dengan 3 kali proses. Dengan menggunakan algoritma genetika,
dimungkinkan untuk merencanakan produksi mingguan perusahaan.
Kata kunci
Produksi hewan, optimasi, kecerdasan buatan
1. PERKENALAN
Dalam beberapa dekade terakhir rantai produksi susu di Brasil telah
mengalami transformasi teknologi yang penting[2]. Di Brasil, pembangunan
pertanian memiliki sumber daya yang terbatas ditambah dengan
persaingan di pasar luar negeri dan kurangnya kebijakan pertanian yang
stabil. Dalam konteks ini, perencanaan kegiatan yang tepat di properti itu
penting, dengan prinsip penerapan metodologi yang akan membawa
solusi optimal untuk Gugatan produktif Anda[9].
Oleh karena itu, sulit bagi perusahaan susu kecil untuk bertahan di pasar
karena mereka bergantung pada sumber daya untuk investasi dan
produksi mereka dapat dipengaruhi oleh faktor iklim, yang menyulitkan
pengelolaan bahan mentah. Dalam konteks ini, penggunaan Riset
Operasional pada perusahaan-perusahaan tersebut dapat dianggap
sebagai alat untuk mendukung pengambilan keputusan dan pengendalian
produksi, baik untuk industri susu kecil maupun industri besar [13].
Menurut [8] perencanaan pertanian merupakan instrumen utama bagi
produsen pedesaan untuk mencapai tujuan yang telah ditetapkan.
Martin (1994) menyebutkan bahwa biaya produksi merupakan informasi
penting dalam proses pengambilan keputusan dan perkiraan tersebut.
Jurnal Internasional Aplikasi Komputer (0975 – 8887)
Volume 183 – No.24, September 2021
Gledson Luiz P.de Nicole Viana da Silva
Almeida Mahasiswa Pascasarjana
Profesor dari Teknik Pertanian dan
Jurusan Teknik Pertanian Lingkungan
UFRPE/Recife, PE
UFRPE/Recife, PE
mengatasi biaya ini menjadi lebih sederhana seiring dengan meningkatnya
penerapan teknologi informasi dalam pengelolaan perusahaan pertanian.
[11] menyajikan studi untuk optimalisasi properti pertanian di wilayah
Tarai, di Nepal, yang bertujuan untuk meningkatkan keuntungan properti
seluas 1,5 dan 5 ha. [8] menciptakan sistem komputerisasi dengan tujuan
membantu pengelola usaha pedesaan dalam tahap perencanaan kegiatan
pertanian. Sistem ini berupaya memaksimalkan keuntungan dari kegiatan
yang cocok untuk budidaya selama tahun pertanian.
Permasalahan pemrograman linier banyak diterapkan dalam bidang
organisasi dan manajemen ekonomi perusahaan, dengan menggunakan
metodologi data darinya sehubungan dengan batasan-batasan yang
dirumuskan seperti fungsi matematika untuk penerapannya.
Os algoritma genetika adalah kelas algoritma yang semakin banyak
digunakan untuk menyelesaikan masalah ini. Mereka dicirikan oleh
algoritma pencarian stokastik yang memiliki perkembangan dan fungsi
yang sesuai dengan genetika, di mana semua spesies baru dihasilkan
melalui seleksi alam di mana yang terkuat akan bertahan dan
menghasilkan keturunan [10] [4].
Di bidang pemrograman, permasalahan serupa dapat diselesaikan
dengan menggunakan metode pemrograman linier dari pemodelan fungsi
tujuan dengan perilaku linier. Dengan menggunakan sekumpulan
batasan, berupa persamaan atau pertidaksamaan matematis, dapat
dibatasi pada wilayah nilai yang mungkin untuk dihitung dengan fungsi
tujuan. Setelah pemodelan, fungsi ini cenderung dimaksimalkan atau
diminimalkan dengan beberapa jenis algoritma [1] [7].
Tujuan dari penelitian ini adalah mengembangkan prototipe untuk
mengoptimalkan keuntungan perusahaan pertanian melalui penerapan
algoritma genetika.
2. PEKERJAAN TERKAIT
Studi ini dilakukan diperusahaan susu khusus pembuatan produk susu,
yang berlokasi di kotamadya Caruaru, negara bagian Pernambuco. Ingin
mengetahui produk apa yang harus dihasilkan oleh produk susu ini untuk
memperoleh keuntungan sebesar-besarnya dan dengan demikian dapat
memperluas produksi Anda dengan menghormati pembatasan input dan
jam kerja.
Perusahaan telah memproduksi beberapa produk susu: keju coalho, keju
mozzarella, keju parmesan, yogurt, krim keju, susu tahan lama, mentega
dan dulce de leche. Pilihan ini disebabkan oleh kenyataan bahwa
meskipun produk-produk tersebut memiliki bahan baku yang sangat
setara, keuntungan finansial yang dihasilkan tidaklah setara. Produksi
setiap produk yang diteliti memerlukan waktu, tenaga kerja dan bahan-
bahan untuk pengolahannya, yang disebut juga sumber daya manufaktur.
Untuk menentukan metode dimana rencana produksi optimal
39
Machine Translated by Google

Jurnal Internasional Aplikasi Komputer (0975 – 8887)

Volume 183 – No.24, September 2021

industri susu kecil ini menerapkan metodologi berikut: kunjungan lapangan x2 > 100
untuk melihat lebih baik seluruh proses produksi produk yang diteliti;
x3 > 100
wawancara dengan pemilik perusahaan untuk mengetahui kepentingan
pasar utama mereka; pengumpulan data dan elaborasi dari model yang x4 > 150
diusulkan yang menggunakan, Mengingat situasi ini, orang dapat
x5 > 150
mempertanyakan bagaimana mempersiapkan rencana produksi tanpa
perubahan dalam portofolio perusahaan, dan menghormati keterbatasan x6 > 250
dan pasarnya, juga menghasilkan hasil keuangan terbaik untuk
perusahaan. Oleh karena itu, perusahaan yang diteliti ingin menetapkan x7 > 100
jadwal mingguan untuk produksi delapan jenis produk susu: keju coalho x8 > 200
(kemasan 4 kg), keju mozzarella (kemasan 5 kg), keju Parme-san
(kemasan 4 kg), yoghurt (kemasan 4 kg), yoghurt ( kemasan 0,9 kg), krim x1, x2, x3, x4, x5, x6, x7, x8 > 0
keju (paket 0,18 kg), susu umur panjang (paket 1 kg), mentega (paket 3,2
Parameter yang diperlukan untuk penerapan algoritma genetika dalam
kg) dan dulce de leche (paket 0,5 kg).
menyelesaikan masalah yang diajukan (gambar 1).

Fungsi tujuan ditulis berdasarkan keuntungan per unit yang disajikan oleh
produk yang diproduksi di perusahaan susu:

melalui bauran produk terbaik, untuk memaksimalkan keuntungan

perusahaan, menggunakan konsep riset operasional yang diterapkan
pada linear programming.

Z = 3x1 + 5x2 + 5x3 + x4 + x5 + 2x6 + 2x7 + 2x8

Tentang apa:

x1 = keju rennet

x2 = keju mozzarella

x3 = Keju parmesan

x4 = yogurt

x5 = dadih

x6 = susu umur panjang

x7 = mentega Gambar 1.– Flowchart penyelesaian masalah optimasi dengan

algoritma genetika
x8 = dulce de leche

10 kendala dimodelkan berdasarkan kapasitas produksi dari perusahaan

Masing-masing gen akan diberi huruf spesifik yang sesuai.
sesuai tabel di bawah ini (tabel 1).

Tabel 1. Data perekonomian dan produksi perusahaan pertanian

x1 = kromosom (0)

x2 = kromosom (1)

x3 = kromosom (2)

x4 = kromosom (3)

x5 = kromosom (4)

x6 = kromosom (5)

x7 = kromosom (6)

x8 = kromosom (7)

Pengaruh parameter genetik terhadap kinerja algoritma tergantung pada

Mengingat waktu yang dibutuhkan untuk memproduksi setiap produk
dalam hitungan jam dan fakta bahwa perusahaan memiliki 10 karyawan
yang bekerja 8 jam sehari, yang setara dengan 400 jam seminggu, maka
batasan berikut harus dipatuhi:
24x1 + 9x2 + 8x3 + 4x4 + 5x5 + 20x6 + 0,5x7 + 8x8 > 400
(jumlah jam kerja maksimal)
kelas masalah yang ditangani.
Dengan demikian, penetapan kumpulan nilai yang dioptimalkan untuk
parameter ini akan bergantung pada kinerja beberapa pengujian.
Pengujian awal menunjukkan bahwa GA yang diterapkan menyatu lebih
cepat dengan mengadopsi populasi awal minimal 30 individu. Ukuran
populasi maksimum ditetapkan sebesar 100 individu, karena nilai yang
lebih besar dari itu membuat AG lambat dan tidak memberikan hasil yang
lebih baik. Tingkat mutasi 0,5% menurut literatur juga digunakan.

x1 > 100 Penilaian (“Kebugaran”) memeriksa apakah kromosom

40
Machine Translated by Google

Jurnal Internasional Aplikasi Komputer (0975 – 8887)

Volume 183 – No.24, September 2021

mewakili solusi yang baik. Fungsi evaluasi adalah fungsi tujuan Tabel 2. Nilai yang mengacu pada unit produk yang akan
yang diwakili oleh persamaan 1. 10 batasan model digunakan untuk diproduksi setiap minggu mengacu pada tiga pengulangan
memverifikasi apakah solusi yang diusulkan terdapat dalam ruang saat algoritma dijalankan
pencarian.

Terjadi 3 kali pengulangan berturut-turut dari 3, 6 dan 10 eksekusi

untuk memverifikasi fungsi algoritma dan nilai maksimum keuntungan
yang diperolehnya (tabel dua). Parameter genetik dikonfigurasi
sebagai berikut: jumlah individu dalam populasi awal = 30, tingkat
mutasi = 0,15%, jumlah generasi statis maksimum = 1.000. Kami
memilih untuk menggunakan nilai elitisme yang sama dengan nol,
karena algoritma biasanya menyatu dengan solusi ini.

Nilai-nilai ini ditetapkan untuk parameter genetik setelah pelaksanaan

uji pendahuluan. Nilai-nilai yang dikutip membuat AG berkumpul
untuk hasil terbaik.

3. HASIL DAN PEMBAHASAN

Seringkali volume informasi yang diproses melalui AG tinggi,
sehingga proses manual menjadi tidak mungkin dilakukan. Dengan
demikian, prototipe perangkat lunak dikembangkan untuk
memecahkan masalah optimalisasi keuntungan properti pertanian
menggunakan algoritma genetika. Untuk ini, bahasa Python,
perpustakaan Tkinter, yang memungkinkan pengembangan
antarmuka grafis di lingkungan Python IDLE, digunakan.

Antarmuka prototipe “AG Planning” yang dikembangkan ditunjukkan

pada Gambar 3. Gambar 4 menunjukkan diagram alur dasar
prototipe “AG Planning”.
Dengan cara ini, kebugaran individu didefinisikan sebagai solusi
terbaik yang menyajikan nilai keuntungan tertinggi bagi perusahaan
dari fungsi tujuan. Melalui Grafik 1 kita dapat memvisualisasikan
nilai-nilai yang dihasilkan melalui simulasi dengan algoritma yang
diusulkan.

Nilai profit terbaik untuk simulasi 3 kali dijalankan adalah BRL

659.00, untuk simulasi dengan 6 eksekusi R$ 666.00 dan untuk
simulasi dengan 10 eksekusi profit terbaiknya adalah BRL 667.00.
Keuntungan optimal diperoleh untuk jumlah yang lebih besar
berjalan.

Gambar 3. Antarmuka prototipe perangkat lunak "AG Planning”

Hasil yang mengacu pada algoritma genetika yang diimplementasikan

dengan populasi 30 individu ditunjukkan pada tabel 2. Nilai mengacu
pada unit produk yang harus diproduksi oleh perusahaan dengan
tujuan memperoleh keuntungan mingguan yang maksimal.
Sedangkan untuk jumlah individu dalam populasi, nilai yang lebih
tinggi tidak digunakan karena algoritma memerlukan waktu yang
lama untuk menyatu. Dengan nilai-nilai ini, algoritme membutuhkan
waktu sekitar 20 detik untuk mencapai solusi.

Selama eksekusi, pada titik tertentu algoritma gagal mencapai

solusi. Proses ini diisi dengan nilai nol pada tabel 2.

B
.

41
Machine Translated by Google
Grafik 1. Fitness individu terbaik generasi untuk simulasi 1
dengan 3 run (A), untuk simulasi 2 dengan 6 run (B) dan untuk
simulasi 3 dengan 10 run (C).
[10] menggunakan teknik algoritma genetika dalam pengambilan
keputusan dalam perencanaan produksi koperasi susu dan mendapatkan
dari iterasi pertama dengan populasi awal, terdiri dari 30 individu yang
dihasilkan secara acak, dengan unit keuntungan bervariasi dari $598,5
hingga $700, dan iterasi kedua puluh satu, populasi akhir, setelah
konvergensi, dengan 30 individu mencapai nilai moneter $708 untuk
produk yang diproduksi. [12] menggunakan metode alternatif
menggunakan algoritma genetika untuk mengoptimalkan keuntungan
suatu properti pertanian. Hasil yang diperoleh dengan metode yang
diusulkan berkisar antara R$32,756.91 dan R$34,387.08 terhadap
keuntungan sebesar R$31,377.64 tanpa menggunakan AG.
4. KESIMPULAN
Hasilnya dapat dianggap baik karena tujuan pekerjaan ini telah tercapai
sepenuhnya, yaitu dengan menggunakan algoritma genetika, produksi
mingguan dapat direncanakan.
perusahaan.
Algoritma Genetika terbukti menjadi alat yang efisien dalam optimasi
permasalahan yang kompleks, seperti pada kasus permasalahan yang
berhubungan dengan optimasi, selain tidak memerlukan properti
khusus pada fungsi tujuan, seperti derivabilitas, untuk contoh.
Pemecahan masalah ini dengan menggunakan alat MS_Excel 2007
Solver, tidak menjadikan solusinya tidak mungkin dilakukan dengan
penerapan algoritma genetika, karena algoritma genetika lebih umum,
dan juga ditunjukkan dalam penyelesaian masalah.
5. REFERENSI
[1] Cormem,TH, Leiserson, CE, Rivest, RL dan Stein, C.
2002. Algoritma: teori dan praktek (2. ed.). Rio de Janeiro.
IJCATM : www.ijcaonline.org
Lihat statistik publikasi
Jurnal Internasional Aplikasi Komputer (0975 – 8887)
Volume 183 – No.24, September 2021
[2] Embrapa. 2020..Aplikasi Termografi Inframerah Tersedia
(TIV) ternak. <https://daging sapi pada:
ainfo.cnptia.embrapa.br/digital/bitstream/item/21
4175/1/DOC-276-Final-em-Alta.pdf> Diakses pada 24/12/2020.
[3] Goldbarg, MC dan Pacca, HLL 2000. Optimasi Kombinatorial dan
Pemrograman Linier: Model dan Al-goritma. Rio de Janeiro:
Kampus Editora.
[4] Holland, JH 1975.Adaptasi dalam sistem alami dan buatan. Ann
Arbor: Pers Universitas Michigan.
[5] Linden, R. 2008. Algoritma genetika: alat penting kecerdasan
komputasi. edisi ke-2. Riverpada bulan Januari:
EditoraBrasportLivros dan Multimídia Ltda.
[6] Martin, NB Biaya: sistem biaya produksi pertanian.
Inf. Ekonomi., São Paulo, vol. 24, tidak. 9, hal. 97-122, 1994
[7] Moreira, DA Administrasi produksi dan operasi. São Paulo:
Pembelajaran Cengage, 2008.
[8] Oliveira, AJ. Sistem pendukung keputusan yang cerdas untuk
merencanakan bisnis pedesaan. 1995. Disertasi (Magister) -
Universitas Federal Viçosa, Viçosa, 1995.
[9] Ribeiro, R. And Fortes, B. 2015.Pemrograman linier: Kontribusi
terhadap pengelolaan properti pedesaan.
Pertemuan Nasional Teknik Produksi XXXV (ENEGEP), Fortaleza-
CE
[10] Rodrigues, WOP, Reis Neto, JF dan Souza, CC
2012. Algoritma Genetika Sebagai Alat Pendukung Keputusan
Dalam Perencanaan Produksi Susu. Majalah Capital Scientific –
Elektronik (RCCe),10.
[11] Salokhe, VM dan Pariyar, MP 1990. Perencanaan pertanian optimal
dengan program linier untuk sabuk Tarai Nepal.
Mekanisasi Pertanian di Asia, Afrik dan Amerika Latin, Tokyo,
21(4):76-81.
[12] Santa Catarina, A.,Opazo, BAD dan Bach, SL2002.Penggunaan
algoritma genetika untuk mengoptimalkan keuntungan dari
properti pertanian, Acta ScientiarumMaringá, . 24(5): 1473-1480,
[13] Stacanelli, TM, Moura, RA,Silva, YVB,Silva, G., Da Silva, AM 2015.
Penerapan pemrograman linier untuk mengoptimalkan produksi
pada perusahaan susu yang terletak di wilayah barat tengah
minas gerais. Rapat Nasional Teknik Produksi XXXV.
[14] Viana, GVR 1998. Metaheuristik dan paralel jadwal dalam optimasi
kombinatorial. Fortaleza: EUFC.
42