Achmad Fauqy Ashari Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc

Ukuran: px

Mulai penontonan dengan halaman:

Download "Achmad Fauqy Ashari Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc"

Shinta Salim
6 tahun lalu
Tontonan:

1 Achmad Fauqy Ashari Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc Sistem Informasi - FTIf

2 Tujuan dari tugas akhir ini adalah pengembangan prototipe sistem cerdas untuk mendeteksi penyakit sapi serta memberikan rekomendasi penanganan dini dengan menggunakan metode Fuzzy Neural Network dengan algoritma backpropagation. Tujuan

3 Metodologi Penelitian

Skenario 1 menggunakan variasi nilai learning rate sebesar 0,1, dengan jumlah uji coba sebanyak variasi dari jumlah node pada hidden layer yang telah ditentukan yaitu 4 hingga 10 node, atau sebanyak

4 Skenario 1 menggunakan variasi nilai learning rate sebesar 0,1, dengan jumlah uji coba sebanyak variasi dari jumlah node pada hidden layer yang telah ditentukan yaitu 4 hingga 10 node, atau sebanyak 7 uji coba. Skenario 2 menggunakan variasi nilai learning rate sebesar 0,3, dengan jumlah uji coba sebanyak variasi dari jumlah node pada hidden layer yang telah ditentukan yaitu 4 hingga 10 node, atau sebanyak 7 uji coba. Skenario 3 menggunakan variasi nilai learning rate sebesar 0,6, dengan jumlah uji coba sebanyak variasi dari jumlah node pada hidden layer yang telah ditentukan yaitu 4 hingga 10 node, atau sebanyak 7 uji coba. Skenario 4 menggunakan variasi nilai learning rate sebesar 0,6, dengan jumlah uji coba sebanyak variasi dari jumlah node pada hidden layer yang telah ditentukan yaitu 4 hingga 10 node, atau sebanyak 7 uji coba. Uji Coba & Analisis

5 Hasil Uji Coba Skenario 1

6 Hasil Uji Coba Skenario 2

7 Hasil Uji Coba Skenario 3

8 Hasil Uji Coba Skenario 4

9 Kesimpulan Uji Coba Berdasarkan Skenario

12 Uji Coba Akhir Sistem

Berdasarkan hasil uji coba yang dilakukan pada studi kasus tugas akhir ini, perubahan jumlah node pada hidden layer berpengaruh terhadap hasil atau nilai MSE yang dicapai, meskipun tidak secara

13 Berdasarkan hasil uji coba yang dilakukan pada studi kasus tugas akhir ini, perubahan jumlah node pada hidden layer berpengaruh terhadap hasil atau nilai MSE yang dicapai, meskipun tidak secara signifikan. Berdasarkan hasil uji coba yang dilakukan pada studi kasus tugas akhir ini, perubahan nilai pada learning rate berpengaruh secara signifikan terhadap hasil atau nilai MSE yang dicapai. Prorotipe sistem yang telah dibangun pada tugas akhir ini menggunakan arsitektur 3 layer yang terdiri atas 1 input layer dengan 17 node, 1 hidden layer dengan 10 node, dan 1 output layer dengan 3 node, serta parameter nilai learning rate yang optimal sebesar 0,9. Prototipe sistem yang telah dibangun pada tugas akhir ini memiliki performa Mean Squared Error (MSE) sebesar 0,58 % yang mampu menghasilkan keluaran yang valid berdasarkan hasil uji coba terhadap data testing dengan tingat kevalidan 100 %. Prototipe sistem yang telah dibangun pada tugas akhir ini sesuai untuk digunakan dalam pendeteksian beberapa penyakit sapi seperti Mastitis, Penyakit Ngorok (SE), dan Penyakit Mulut Kuku, serta dapat memberikan rekomendasi penanganan dini kepada peternak sapi terkait penyakit tersebut. Kesimpulan

Pengembangan prototipe sistem menjadi executable sistem yang dapat dijalankan tanpa membuka platform matlab terlebih dahulu dengan menggunakan matlab compiler.

14 Pengembangan prototipe sistem menjadi executable sistem yang dapat dijalankan tanpa membuka platform matlab terlebih dahulu dengan menggunakan matlab compiler. Dengan arsitektur neural network yang telah dibangun saat ini, dimungkinkan pengembangan sistem yang dapat mempertimbangkan hasil lebih dari satu penyakit sapi atau komplikasi penyakit sapi dengan penambahan data training yang sesuai. Penambahan jenis penyakit sapi yang memiliki gejala-gejala penyakit serta atribut pendukung lainnya yang memiliki kemiripan dengan gejala-gejala penyakit serta atribut pendukung lainnya yang digunakan saat ini. Saran

1. Chattopadhyay, S.,& Chattopadhyay, G. (2008). Identification of the best hidden layer size for three-layered neural net in predicting monsoon in rainfall in India. Journal of Hydroinformatics 10.

15 1. Chattopadhyay, S.,& Chattopadhyay, G. (2008). Identification of the best hidden layer size for three-layered neural net in predicting monsoon in rainfall in India. Journal of Hydroinformatics 10.2, Chowdury, S.R., & Saha, H. (2010). Development of a FPGA based fuzzy neural network system for early diagnosis of critical health condition of a patient. Computers in Biology and Medicine 40, Ditjennak. (2009). Direktorat Kesehatan Hewan. Diakses pada 15 Februari, 2012, dari Direktorat Jenderal Peternakan dan Kesehatan Hewan: 4. Ditjennak. (2010). Statistik Peternakan Direktorat Jenderal Peternakan, Kementerian Pertanian Republik Indonesia. 5. Fullèr, R. (1995). Neural Fuzzy Systems. Abo Akademi University. 6. Hayashi, Y. (1994). Neural Expert System Using Fuzzy Teaching Input and Its Application to Medical Diagnosis. Information Sciences, Kahramanli, H., & Allahverdi, N. (2008). Design of a hybrid system for the diabetes and heart diseases. Expert Systems with Applications 35, Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel Link. Graha Ilmu: Jogjakarta. 9. Kusumadewi, S., & Purnomo, H. (2004). Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Graha Ilmu: Jogjakarta. 10. Kusumadewi, S. (2005). Artificial Intelligence: Teknik dan Aplikasinya. Graha Ilmu, Yogyakarta. 11. Kusumadewi, S..,& Hartati, S. (2006). Neuro-Fuzzy, Integrasi Sistem Fuzzy dan Jaringan Syaraf. Graha Ilmu, Yogyakarta. 12. Li, L., Liqing, H., Hongru, L., Feng, Z., Chongxun, Z., Pokhrel, S., et al. (2011). The Use of Fuzzy BackPropagation Neural Networks for the Early Diagnosis of Hypoxic Ischemic Encephalopathy in Newborns. Journal of Biomedicine and Biotechnology. 13. Negnevitsky, M. (2005). Artificial Intelligence: A Guide to Intelligent Sistems. Harlow: Addison-Wesley. 14. Purwanto, G. D. (2011). Penerapan Algoritma Artificial Neural Network Pada Sistem Cerdas Untuk Pendeteksian Dan Penanganan Penyakit Sapi. Surabaya: Jurusan Sistem Informasi FTIf ITS Surabaya. 15. Subronto. (2007). Ilmu Penyakit Ternak II. Yogyakarta: Gadjah Mada University Press. 16. Subronto. (2008). Ilmu Penyakit Ternak I-b. Yogyakarta: Gadjah Mada University Press. 17. Sunari, A. (2010). Naskah Kebijakan (Policy Paper): Strategi dan Kebijakan dalam Percepatan Pencapaian Swasembada Daging Sapi Jakarta: Direktorat Pangan dan Pertanian BAPPENAS. 18. Sutikno, & Waspada, I. (2012). Perbandingan Metode Deffuzifikasi Sistem Kendali Logika Fuzzy Model Mamdani Pada Motor DC. Semarang: Program Studi Teknik Informatika Universitas Diponegoro Semarang. 19. Thomas, S. W. (2005). Sistem Neuro-Fuzzy. Graha Ilmu, Yogyakarta. 20. Uzoka, F. E; Osuji, J; Obot, O. (2011). Clinical decision support system (DSS) in the diagnosis of malaria: A case comparison of two soft computing methodologies. Expert Systems with Applications 38: Zadeh, L. A. (1965). Fuzzy Sets. INFORMATION AND CONTROL 8: Daftar Pustaka

dokumen-dokumen yang mirip

JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-385

JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-385 Implementasi Fuzzy Neural Network pada Sistem Cerdas untuk Pendeteksian dan Penanganan Dini Penyakit Sapi Achmad Fauqy Ashari, Wiwik Anggraini