OPTIMASI KANDUNGAN GIZI SUSU KAMBING PERANAKAN ETAWA (PE) MENGGUNAKAN ELM-PSO DI UPT PEMBIBITAN TERNAK DAN HIJAUAN MAKANAN TERNAK SINGOSARI-MALANG

Transkripsi

1 Jurnal Teknolog Informas dan Ilmu Komputer (JTIIK) p-issn: Vol. 4, No. 1, Maret 2017, hlm e-issn: OPTIMASI KANDUNGAN GIZI SUSU KAMBING PERANAKAN ETAWA (PE) MENGGUNAKAN ELM-PSO DI UPT PEMBIBITAN TERNAK DAN HIJAUAN MAKANAN TERNAK SINGOSARI-MALANG Imam Cholssodn 1, Sutrsno 2, Aref Andy Soebroto 3, Latfah Hanum 4, Canny Amerlyse Caesar 5 1,2,3,4,5 Fakultas Ilmu Komputer Unverstas Brawjaya Emal: 1 mamcs@ub.ac.d, 2 trsno@ub.ac.d, 3 arefas@ub.ac.d, 4 hanum_latfah@ymal.com, 5 camerlyse@outlook.com (Naskah masuk: 30 Desember 2016, dterma untuk dterbtkan: 14 Februar 2017) Abstrak Susu merupakan salah satu sumber proten hewan yang mengandung semua zat yang dbutuhkan tubuh. Ternak penghasl susu utama d Indonesa yatu sap perah, namun produks susunya belum dapat mencukup kebutuhan masyarakat. Alternatfnya adalah kambng peranakan etawa (PE). Tnggnya kualtas kandungan gz susu sangat dpengaruh oleh beberapa faktor salah satunya, yatu faktor pakan. Bagan peternakan kambng PE d UPT Pembbtan Ternak dan Hjauan Makanan Ternak Sngosar-Malang mash menghadap permasalahan, yatu rendahnya kemampuan dalam memberkan komposs pakan terhadap kambng PE. Kekurangan tersebut berpengaruh terhadap kualtas susu yang dhaslkan. Dperlukan pengetahuan rekayasa kandungan gz susu untuk menentukan komposs pakan dalam menghaslkan susu premum dengan kandungan gz optmal. Penuls menggunakan metode Extreme Learnng Machne (ELM) dan Partcle Swarm Optmzaton (PSO) untuk membuat pemodelan pakan kambng dalam mengoptmas kandungan gz susu kambng. Dalam analsa pengujan konvergens menggunakan metode ELM-PSO yang dlakukan dengan kasus untuk berat badan kambng 32 kg, serta jens pakan yang dgunakan yatu rumput Odot 70% dan rumput Raja 30% menghaslkan sstem mencapa kestablan dalam konvergens pada teras ke-20 dengan ftness terbak yatu Kata Kunc: Susu Kambng, Optmas, Artfcal Neural Network (ANN), Partcle Swarm Optmzaton (PSO), Genetc Algorthm (GA), Kandungan Nutrs Pakan. Abstract Mlk s one of the anmal proten sources whch t contans all of the substances needed by human body. The man mlk producer cattle n Indonesa s dary cow, however ts mlk producton has not fulflled the socety needs. The alternatve s the goat, the Etawa crossbreed (PE). The hgh qualty of mlk nutrents content s greatly nfluenced by some factors one of them, s the food factor. The PE goat lvestock dvson of the UPT Cattle Breedng and the Cattle Food Greenery n Sngosar-Malang stll faces the problem, t s the low ablty n gvng the food composton for PE goat. Ths flaw affects the qualty of the produced mlk. It needs the artfcal scence of the mlk nutrents contans n order to determne the food composton to produce premum mlk wth the optmum nutrents contan. The wrter uses the method of the Extreme Learnng Machne (ELM) and the Partcle Swarm Optmzaton (PSO) to make the modelng of goat food n optmzng the content of goat mlk nutrents. In the analyss of the convergence that s done wth the case of 32 kg goat weght, also the food type used s the 70 % Odot grass and 30% Raja grass that system get a stablty on the 20 th teraton wth a ftness value s Keywords: Goat Mlk, Optmzaton, Extreme Learnng Machne (ELM), Partcle Swarm Optmzaton (PSO), The Food Nutrents Contan. 1. PENDAHULUAN Susu merupakan bahan makanan stmewa yang mengandung semua zat yang dbutuhkan tubuh yang mudah dcerna dan dmanfaatkan oleh tubuh. Susu merupakan jens bahan pangan hewan berupa caran puth yang dhaslkan oleh ternak mamala sepert sap, kerbau atapun kambng dan dperoleh dengan cara pemerahan (Hamdah, Sukada, & Swacta, 2012). Menurut Kepala Badan Kependudukan dan Keluarga Berencana Nasonal (BKKBN) Surya Chandra Surapaty menjelaskan bahwa laju 31 pertumbuhan penduduk Indonesa saat n mencapa 1,49% tap tahun dar jumlah penduduk Indonesa (Akuntono, 2015). Serng dengan bertambahnya populas penduduk dan pendapatan serta kesadaran masyarakat akan gz mengakbatkan kebutuhan proten hewan menjad menngkat sehngga perlu dlakukan pemenuhan kebutuhan proten hewan dengan cara menngkatkan salah satu produks ternak, yatu susu (Nur, Setyowat, & Wahyunngsh, 2015). Ternak penghasl susu utama d Indonesa adalah sap perah Peranakan Fresan Holsten (PFH) yang produks susunya relatf mash rendah.

2 32 Jurnal Teknolog Informas dan Ilmu Komputer (JTIIK), Vol. 4, No. 1, Maret 2017, hlm Rendahnya produks susu sap perah jens PFH tdak dapat mencukup kebutuhan proten hewan yang dbutuhkan oleh masyarakat. Ternak perah alternatf yang cocok untuk dkembangkan dan dapat dterma oleh masyarakat adalah kambng peranakan etawa (PE) (Nur, Setyowat, & Wahyunngsh, 2015). Kambng PE adalah salah satu penyeda proten hewan asal ternak berupa dagng atau susu. Salah satu kelebhan susu kambng adalah kandungan gznya relatf lebh lengkap dan sembang (Ftryanto, Astut, & Utam, 2013). Bagan peternakan kambng peranakan etawa (PE) d UPT Pembbtan Ternak dan Hjauan Makanan Ternak Sngosar-Malang mash menghadap permasalahan, yatu rendahnya kemampuan dalam memberkan treatment komposs pakan terhadap kambng peranakan etawa. Kekurangan tersebut selan mengakbatkan lambatnya pertumbuhan produks susu juga berpengaruh terhadap kualtas susu yang dhaslkan (Nugroho, 2010). Permasalahan rekayasa kandungan gz susu kambng agar dapat optmal tersebut dapat dselesakan dengan beberapa metode pemodelan. Pada peneltan yang sebelumnya, permasalahan rekayasa kandungan gz susu kambng dapat doptmalkan dengan menggunakan metode pemodelan Artfcal Neural Network (ANN) dan Genetc Algorthm (GA) serta Artfcal Neural Network (ANN) dan Partcle Swarm Optmzaton (PSO). Berdasarkan peneltan sebelumnya yang menggunakan metode ANN-GA, ddapatkan bahwa kandungan proten dengan kualtas susu premum untuk berat badan 36 kg adalah mengalam kenakan proten sebesar 0.707% dan penurunan lemak sebesar 0.879% setelah dlakukan proses optmas (Amerlyse, Hanum & Cholssodn, 2016). Sedangkan, berdasarkan peneltan sebelumnya yang menggunakan metode ANN-PSO, ddapatkan bahwa kenakan kandungan proten dengan kualtas susu premum untuk berat badan 36 kg adalah % dan penurunan kandungan lemak sebesar % setelah doptmas (Amerlyse, Hanum & Cholssodn, 2016). Pada peneltan sebelumnya yang dlakukan oleh Karpagachelv S. (2014) tentang pengklasfkasan snyal ECG dengan menggunakan hybrd algorthm,yatu ELM dan PSO. EKG adalah hasl rekaman jantung yang dgunakan untuk menyeldk penyakt jantung. EKG dapat dklasfkaskan sebaga snyal normal dan abnormal. Penerapan ELM dan PSO pada pengklasfkasan snyal ECG bertujuan untuk mengoptmalkan pemlhan ftur dan parameter dar ELM. Hasl dar peneltan n menjelaskan bahwa pengklasfkasan snyal ECG dengan menggunakan pendekatan hybrd algorthm ELM dan PSO lebh unggul dan akurat jka dbandngkan dengan pengklasfkasan snyal ECG secara tradsonal (S, 2014). Berdasarkan beberapa peneltan yang sebelumnya, permasalahan rekayasa kandungan gz susu kambng PE dselesakan dengan menggunakan metode Extreme Learnng Machne (ELM) dan Partcle Swarm Optmzaton (PSO) sebaga metode otpmasnya. Pada peneltan n dusulkan teknk optmas kandungan gz susu kambng PE d UPT Pembbtan Ternak dan Hjauan Makanan Ternak Sngosar- Malang menggunakan kombnas Extreme Learnng Machne (ELM) dan Partcle Swarm Optmzaton (PSO) berdasarkan pada paper sebelumnya oleh Karpagachelv S. Alasan utama menggunakan penggabungan kedua metode tersebut agar hasl yang ddapatkan dar sstem kam dapat mencapa hasl yang optmal dengan pembelajaran yang cepat. 2. DASAR TEORI 2.1 Extreme Learnng Machne (ELM) ELM n pertama kal dperkenalkan oleh Huang (2004), dan ELM merupakan jarngan syaraf truan (JST) feedforward dengan sngle hdden layer atau dsebut dengan Sngle Hdden Layer Feedforward Neural Networks (SLFNs) (Sun, Cho, Au, & Yu, 2008). Pada Gambar 1 dan Gambar 2, Metode pembelajaran ELM dbuat untuk mengatas beberapa kelemahan dar JST feedforward, terutama dalam hal learnng speed. Berkut model matemats dar ELM pada data, y ) (Huang, Zhu, & Sew, 2005). (x Gambar 1. Arstektur ELM Langkah-langkah tranng algortma ELM tanpa bas (Cholssodn, 2016): 1. Buat random W jk sebaga bobot masukan. 2. Htung matrk keluaran hdden layer H = 1/(1+exp(-X.W T )) 3. Htung output weght ˆ H.Y dmana H + =(H T.H) -1.H T 4. Htung Yˆ H.ˆ Langkah-langkah testng algortma ELM tanpa bas: 1. Dketahu W jk, dan ˆ 2. Htung H = 1/(1+exp(-X test.w T )) 3. Htung Yˆ H.ˆ 4. Htung nla evaluas, msal dengan MAPE, MAE, MSE atau lannya.

3 Cholssodn, dkk, Optmas Kandungan Gz Susu 33 x (0) x s, xmn, d rd xmax, d xmn, d d (1) 1,, n, 1,, n X d adalah poss partkel ke- pada dmens ke-d, dmana r j ~U(0,1) merupakan nla acak (random) dengan range [0,1]. Insalsas poss dar setap partkel (X d ) dan kecepatan dar setap partkel (V d ). Kecepatan awal dapat dnsalsas menjad nol. Dtunjukkan pada Persamaan (2). V d ( 0) 0 (2) Gambar 2. Arstektur ELM dengan bas Langkah-langkah tranng algortma ELM dengan bas: 1. Buat random W jk sebaga bobot masukan dan nla bas b jka ada. Ukuran matrk bas b adalah [1 x j] 2. Htung matrk keluaran hdden layer H = 1/(1+exp(-(X.W T + ones(n tran,1)*b))). Dan N tran adalah banyaknya data tranng. 3. Htung output weght dmana H + =(H T.H) -1.H T 4. Htung Yˆ H.ˆ ˆ H.Y Langkah-langkah testng algortma ELM dengan bas: 1. Dketahu W jk, nla bas b jka ada, dan 2. Htung H = 1/(1+exp(-(X test.w T + ones(n test,1)*b))) 3. Htung Yˆ H.ˆ 4. Htung nla evaluas, msal dengan MAPE, MAE, MSE atau lannya. D mana batas bawah dan batas atas nla W jk ada yang menggunakan [-1;1], [-0.5;0.5] atau nla batas lannya yang bsa dgunakan untuk skenaro pengujan, begtu juga dengan b. 2.2 Algortma Partcle Swarm Optmzaton (PSO) PSO merupakan sebuah algortma pencaran berbass populas berdasarkan smulas perlaku sosal burung dalam sebuah swarm. Perlaku sosal n terdr dar tndakan ndvdu dan pengaruh dar ndvdu-ndvdu lan dalam suatu kelompok. Setap ndvdu berperlaku secara terdstrbus dengan menggunakan kecerdasannya (ntellgence) sendr dan juga dpengaruh kelompok kolektfnya. Berkut langkah-langkah dalam algortma PSO: 1. Insalsas Partkel Dasumskan bahwa sebuah partkel untuk setap dmensnya harus berada dalam doman yang ddefnskan oleh dua vektor, x mn dan x max yang mewakl batas bawah dan batas atas setap dmens yang dtunjukkan pada Persamaan (1) berkut (Engelbrecht, 2007). ˆ V d merupakan kecepatan partkel ke- pada dmens ke-d, poss terbak ndvdu ke- (pbest ) awal untuk setap partkel dnsalsaskan dengan poss partkel pada t = 0 yang dtunjukkan pada Persamaan (3). pbest 0) x (0) (3) ( 2. Fungs Objektf PSO Untuk mendapatkan nla ftness, suatu partkel harus devaluas berdasarkan suatu fungs objektf tertentu. Jka permasalahannya adalah optmas, maka untuk memaksmalkan fungs, dgunakan fungs objektf f h. Akan tetap, jka permasalahannya adalah optmas untuk memnmalkan fungs h, maka dgunakan fungs objektf f 1/ h. Rumus ftness untuk mengoptmalkan dan memnmalkan dtunjukkan pada Persamaan (4). h 1 ftness x _ optmal (4) x _ mn x_optmal = nla yang ngn doptmalkan x_mn = nla yang ngn dmnmalkan 3. Personal Best PSO Personal Best PSO dalam kasus maksmal optmas secara umum ddapatkan dengan membandngan nla ftness saat n dengan nla pbest sebelumnya, jka ftness saat n > dar ftness sebelumnya, maka pbest = poss saat n, sepert yang dtunjukkan pada Persamaan (5). pbest (t + 1) = { pbest (t) jka f(x d (t + 1)) f(pbest (t)) (5) x d (t + 1) jka f(x d (t + 1)) < f(pbest (t)) pbest (t + 1) = pbest teras sekarang pbest (t) = pbest teras sebelumnya f(x d (t + 1))= nla ftness teras sekarang

4 34 Jurnal Teknolog Informas dan Ilmu Komputer (JTIIK), Vol. 4, No. 1, Maret 2017, hlm Global Best PSO Pencaran nla gbest pada kasus secara umum dengan cara mencar argumen dar nla maksmal semua pbest dalam teras t yang dtunjukkan pada persamaan (6) berkut: n k arg Max 1 f ( pbest ( t)) (6) gbest(t) = pbest k (t) argmax n =1 = argumen maksmal f(pbest (t)) = nla ftness pbest teras (t) 5. Update Kecepatan dan Poss Kecepatan (V ) dan poss dar partkel (X ) dubah menggunakan persamaan (7). V t t w* vd c1 * Rand() *( pd xd ) c2 * Rand() *( p x ) (7) t1 t d gd d Dengan membandngkan antara kecepatan dan v max. v k ( x x ) (8) max * max mn Rumus perubahan poss (X ): t1 t1 t1 x x V (9) d d Rumus W nersa (w): wmax w w( ) w max max d w mn (10) max Dmana dan masngmasng adalah nla awal dan nla akhr bobot nersa yang nlanya secara berurutan adalah 0,9 dan 0,4. Sedangkan adalah jumlah max teras maksmum yang dgunakan. = kecepatan partkel ke- pada dmens ke-d pada teras ke-t = poss partkel ke- pada dmens ke-d pada teras ke-t = bobot nersa = komponen kogntf dan sosal = pbest atau poss terbak partkel pada = gbest atau poss terbak partkel secara keseluruhan 6. Konds berhent Jka telah mencapa konds akhr (mencapa nla teras maksmum atau perulangan telah mencapa nla konvergen) maka perulangan berhent dan nla optmumnya ddapatkan namun jka belum maka kembal melakukan perulangan. w mn 3. PEMBAHASAN Metode yang dusulkan dalam peneltan n, pada Gambar 3, yatu menggabungkan ELM-PSO dalam sstem. Sstem kerjanya dbag menjad 2 bagan langkah, langkah yang pertama hanya menjalankan metode ELM untuk mendapatkan W jk sebaga bobot masukan yang optmal, atau hanya menggunakan tranng algortma ELM tanpa bas. Kemudan langkah yang ke-2 adalah mengoptmas parameter pakan dengan PSO menggunakan proses testng ELM. Berkut adalah detal langkahnya: 1. Melakukan proses tranng data menggunakan algortma ELM untuk memperoleh nla nput weght (W jk ) dan output weght ( ) 2. Input weght dan output weght dgunakan pada algortma PSO pada tahapan testng ELM. Pada algortma PSO akan dlakukan proses nsalsas partkel dan partkel yang telah terbentuk akan dproses ke dalam testng ELM hngga dperoleh hasl denormalsasnya. Hasl denormalsas tersebut akan dgunakan untuk memperoleh nla ftness yang dhaslkan oleh setap partkel. Kemudan, sstem akan mencar nla personal best (pbest) dan global best (gbest) serta dlakukan proses update kecepatan dan poss hngga dperoleh satu partkel dengan nla ftness terbesar sebaga hasl yang dharapkan. Tabel 1. Kumpulan data berdasarkan perlakuan Abu: zat pakan anorgank yang mengandung unsur-unsur yang dbutuhkan. Proten kasar (PK): bahan organk kompleks dengan peranan yang banyak. Lemak kasar (LK): kandungan total lpda dalam jumlah yang sebenarnya. Serat kasar (SK): ssa-ssa sel tumbuhan yang tahan terhadap reaks hdrolss. Dalam kasus peneltan n, kandungan nutrs pakan hjauan berupa Abu, PK, LK dan SK (sebaga X k ) beserta kandungan gz susunya berupa proten, lemak, laktosa dan densty (sebaga Y ) akan dkomputas lebh lanjut menggunakan ELM pada langkah ke-1. Pada Tabel 1, dapat dgunakan sebaga gambaran untuk merepresentaskan partkel pada PSO. Setap partkel memlk dmens yang merupakan kandungan nutrs (Abu, PK, LK, dan SK), yatu X j (t) = [Abu PK LK SK] atau dapat dtunjukkan pada Persamaan (11). ˆ X j (t) = [X 1 (t) X 2 (t) X 3 (t) X 4 (t)] (11)

5 Ftness Cholssodn, dkk, Optmas Kandungan Gz Susu 35 Kemudan untuk rumus ftness-nya menggunakan batasan hanya dua macam varabel output yang akan dkomputas (bsa dbuat sembang kompossnya, atau berbandng terbalk, atau dengan menggunakan suatu konstanta pengal sebaga pembobotan) dan output yang lannya dabakan, yatu memaksmalkan kandungan proten dan memnmalkan kandungan lemak, dengan formulas yang dtunjukkan pada Persamaan (12). 1 ftness proten (12) lemak Xk dan Y ELM (Tranng) Wjk dan ˆ Langkah ke-1 yang dgunakan dbatas yang hanya 32 kg, tetap juga bsa dbuat berbeda. Dalam peneltan n mengoptmalkan kandungan Proten dan memnmalkan kandungan Lemak pada kelas Premum. Grafk pengujan konvergens dtunjukkan pada Gambar Pengujan Konvergens Percobaan 1 Percobaan 2 Percobaan 3 Percobaan 4 Percobaan 5 Percobaan 6 Percobaan 7 Percobaan 8 Percobaan 9 Percobaan 10 Gambar 4. Grafk Pengujan Konvergens ELM-PSO Hasl yang dharapkan Insalsas Xj(t=0), Vj(t=0) dan pbestj(t=0)=xj(t=0) Y ELM (Testng) Tentukan gbestgj(t=0) Konds Berhent? T Langkah ke-2 Dalam 10 kal percobaan terlhat bahwa sstem mula menunjukkan konvergens pada teras ke-10, namun mash belum mencapa kestablan. Pada grafk terlhat bahwa sstem mencapa kestablan teras pada teras ke-20.nla ftness yang ddapatkan setelah teras ke-20 akan menghaslkan nla ftness yang sama dengan teras sebelumnya. Pada grafk juga dtunjukkan nla ftness terbesar yang dhaslkan oleh metode ELM-PSO yatu pada Percobaan 4 dengan ftness terbesar Update kecepatan (Vj(t+1)) Update poss (X j(t+1)) ELM (Testng) Update pbestj(t+1) Update gbestgj(t+1) Gambar 3. Algortma ELM-PSO 4. PENGUJIAN DAN ANALISIS Pengujan konvergens metode ELM-PSO dengan parameter PSO yang sudah duj sebelumnya yatu teras maksmal PSO = 100 teras, nla wmax = 0.6 dan wmn = 0.3, nla c 1 = 1 dan c 2 = 1.5, nla k = 0.6. Dengan parameter ELM yatu nterval yang dgunakan adalah [-0.5,0.5], jumlah hdden layer =4, jumlah data yang dgunakan adalah 5 data. Terdapat 2 jens pakan yang dgunakan dalam pengujan, yatu Rumput Raja dengan raso pakan 70% dan Rumput Odot dengan raso pakan 30%. Berat badan kambng 5. PENUTUP 5.1 Kesmpulan 1. Algortma ELM-PSO dapat dgunakan untuk mengoptmas komposs pakan kambng PE agar susu yang dhaslkan memlk kandungan gz susu yang maksmal, dmana cara kerjanya adalah dengan melakukan proses tranng data menggunakan algortma ELM untuk memperoleh nla nput dan output weght yang nantya akan dgunakan pada algortma PSO. Pada algortma PSO akan dlakukan proses nsalsas partkel dan partkel yang telah terbentuk akan dproses ke dalam ELM hngga dperoleh hasl denormalsasya. Hasl denormalsas tersebut akan dgunakan untuk memperoleh nla ftness yang dhaslkan oleh setap partkel. Kemudan, sstem akan mencar nla personal best (pbest) dan global best (gbest) serta dlakukan proses update kecepatan dan poss hngga dperoleh satu partkel dengan nla ftness terbesar. 2. Hasl pengujan yang dlakukan pada peneltan n melput pengujan parameter optmal pada PSO serta pengujan konvergens metode ELM-PSO. Parameterparameter optmal PSO adalah teras

6 36 Jurnal Teknolog Informas dan Ilmu Komputer (JTIIK), Vol. 4, No. 1, Maret 2017, hlm maksmal PSO = 100 teras, nla wmax = 0.6 dan wmn = 0.3, nla c 1 = 1 dan c 2 = 1.5, nla k = 0.6. Parameter-parameter tersebut menghaslkan ftness terbak sebesar dengan poss partkel terbak yatu [ ]. Pada pengujan konvergens ddapatkan bahwa sstem mencapa telah kestablan nla ftness, yatu pada teras ke Saran 1. Dharapkan pada peneltan berkutnya dalam optmas komposs pakan kambng PE dapat dtambahkan atrbut lan sepert harga pakan agar sstem dapat memberkan komposs pakan terbak dengan harga pakan yang dmnmalkan. 2. Dharapkan pada peneltan berkutnya dalam menggunakan metode ELM-PSO juga dlakukan pengujan terhadap nterval yang dgunakan untuk mengetahu nterval yang dapat menghaslkan solus optmal. 6. DAFTAR PUSTAKA AKUNTONO, I. (2015, September 29). Mengkhawatrkan, Angka Kelahran d RI Tap Tahun Setara Jumlah Penduduk Sngapura. Retreved Januar 8, 2016, from Kompas.com [onlne]: /Mengkhawatrkan.Angka.Kelahran.d.RI.Tap.Tahun.Sejumlah.Penduduk.Sngapura AMERILYSE, C., LATIFAH H. & CHOLISSODIN I Perbandngan Metode ANN-PSO dan ANN-GA dalam Pemodelan Komposs Pakan Kambng Peranakan Etawa (PE) untuk Optmas Kandungan Gz (Stud Kasus pada UPT Pembbtan Ternak dan Hjauan Makanan Ternak Sngosar-Malang). Jurnal Teknolog Informas dan Ilmu Komputer (JTIIK) FILKOM UB Vol. 3 No. 3, ATMIYATI Potens Susu Kambng Sebaga Obat dan Sumber Proten Hewan Untuk Menngkatkan Gz Petan. Bogor: Bala Peneltan Ternak. CHOLISSODIN, I Modul Analss Bg Data Semester Ganjl ENGELBRECHT, A. P Computatonal Intellgence: An Introducton 2nd ed. West Sussex: John Wley & Sons Ltd. FITRIYANTO, ASTUTI, T. Y., & UTAMI, S Kajan Vskostas dan Berat Jens Susu Kambng Peranakan Etawa(PE) pada Awal, Puncak dan Akhr Laktas. Jurnal Ilmah Peternakan, HAMIDAH, E., SUKADA, I. M., & SWACITA, I. B Kualtas Susu Kambng Peranakan Etawah Post-Thawng pada Penympanan Suhu Kamar. Indonesa Medcus Veternus Eds 3, HUANG, G. B., ZHU, Q. Y., & SIEW, C. K Extreme Learnng Machne: A New Learnng Scheme of Feedforward Neural Networks. Proceedng of Internatonal Jont Conference on Neural Networks. Hungary: Budapest. HUANG, G. B., ZHU, Q. Y., & SIEW, C. K Extreme Learnng Machne: Theory and applcatons. Elsever scence: Neurocomputng 70, NUGROHO, B. A Pasar Susu Duna dan Poss Indonesa. JIIPB Vol. 20 No. 1, NUR, D. M., SETYOWATI, E., & WAHYUNINGSIH, S Performans Produks Susu Kambng Peranakan Etawah(PE) Berdasarkan Partas, Umur, Bobot Badan, dan Status Kebuntngan d "MADUKARA FARM", Kota Batu. Unverstas Brawjaya, 1-7. PRIHATMININGSIH, G. E., PURNOMOADI, A., & HARJANTI, D. W Hubungan antara Konsums Proten dengan Produks, Proten dan Laktosa Susu Kambng Peranakan Ettawa. Jurnal Ilmu-lmu Peternakan 25 Vol.2, S, K Classfcaton of ECG Sgnals Usng Hybrd Partcle Swarm Optmzaton n Extreme Learnng Machne. Journal of Appled Scences and Engneerng Research, Vol 3, No. 5, SUBEKTI, E Ketahanan Pakan Ternak Indonesa. Medagro, Vol.5, No.2, SUN, Z., CHOI, T., AU, K., & YU, Y Sales Forecastng usng Extreme Learnng Machne wth Applcaton n Fashon Retalng. Elsever Decson Support Systems 46, SUTAMA, I. K., & BUDIARSANA, I Kambng Peranakan Etawah Penghasl Susu sebaga Sumber Pertumbuhan Baru Sub-Sektor Peternakan d Indonesa. Bala Peneltan Ternak, UMIYASIH, U., & ANGGRAENY, Y. N Petunjuk Tekns Ransum Sembang, Strateg Pakan pada Sap Potong. Pasuruan: Pusat Peneltan dan Pengembangan Peternakan. ZERDA, E. R Analss dan Penerapan Algortma Partcle Swarm Optmzaton (PSO) pada Optmas Penjadwalan Sumber Daya Proyek. Bandung : Unverstas Telkom. ZURIATI, Y., MAHESWARI, R., & SUSANTY, H Karakterstk Kualtas Susu Segar dan Yoghurt dar Tga Bangsa Kambng Perah dalam Mendukung Program Ketahanan dan Dversfkas Pangan. Semnar Nasonal Teknolog Peternakan dan Veterner,