Implementasi Metode Particle Swarm Optimization-Dempster Shafer untuk Diagnosa Indikasi Penyakit pada Budidaya Ikan Gurami

Transkripsi

1 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: X Vol. 2, No. 2, Februar 2018, hlm Implementas Metode Partcle Swarm Optmzaton-Dempster Shafer untuk Dagnosa Indkas Penyakt pada Buddaya Ikan Guram Fars Dnar Wahyu Gunawan 1, Edy Santoso 2, Lall Muflkhah 3 Program Stud Teknk Informatka, Fakultas Ilmu Komputer, Unverstas Brawjaya Emal: 1 farsdnar61@gmal.com, 2 3 lall@ub.ac.d Abstrak Pengetahuan pembuddaya akan jens penyakt yang dapat menyerang pada kan guram pada saat buddaya sangat kecl. Predks ndkas penyakt pada buddaya kan guram adalah suatu hal yang pentng terhadap keberhaslan buddaya. Dempster shafer adalah salah satu teknk dar kecerdasan buatan yang dgunakan untuk mempredks berdasarkan fakta-fakta yang salng berkatan. Dempster shafer metode yang serng dgunakan karena tergolong algortma yang mudah untuk dmplementaskan. Namun, knerja dempster shafer sangat tergentung pada pakar yang mempunya katan dengan permasalahan. Sehngga, jka terdapat fakta baru harus konsultas dahulu kepada pakar. Selan tu, Dempster shafer tdak menjamn hasl predks yang spesfk karena fakta yang salng berkatan serng kal bersfat umum. Salah satu pendekatan yang dapat dgunakan untuk mengatas masalah n adalah dengan menerapkan metode Partcle Swarm Optmzaton. Partcle Swarm Optmzaton mengeksploras ruang pencaran untuk menemukan nla denstas awal berdasarkan nla cost partkel. Nla cost drancang untuk memnnmalkan jarak nla random dengan nla bobot sehngga semakn kecl mendekat 0 nla cost semakn besar peluang partkel sebaga solus. Dmana metode Partcle Swarm Optmzaton dgunakan untuk membangktkan nla denstas dan Dempster Shafer sebaga pengambl kesmpulan ndkas penyakt. Pada peneltan n menggunakan hybrd Partcle Swarm Optmzaton- Dempster Shafer untuk dagnosa ndkas penyakt pada buddaya kan guram. Hasl yang ddapat dar hasl keluaran sstem dengan pakar mencapa hasl 86,5%. Kata Kunc : Dagnosa, Optmas, Partcle Swarm Optmzaton, Dempster Shafer, Penyakt Ikan Guram Abstract Knowledge of fsh breeders of the type of dsease that can attack on gouramy fsh at the tme of cultvaton s very small. Predcton ndcaton of dsease on gouram fsh s an mportant thng to the succes of cultvaton. Predcton of dsease obtaned from the facts that exst n the cultvaton process. Dempster shafer s one of the technques of artfcal ntellgence used to predct based on nterrelated facts. Dempster shafer method s often used because t s qute easy to mplement algorthm. However, the performance of dempster shafer s very dependent on the grlfrend who has a connecton wth the problem. So, f there s a new fact must frst consult to experts. In addton, Dempster shafer does not guarantee specfc predcton results because nterrelated facts are often general. One approach that can be used to overcome ths problem s to apply Partcle Swarm Optmzaton method. Partcle Swarm Optmzaton explores the search space to fnd ntal densty values based on partcle cost values.. Where the Partcle Swarm Optmzaton method s used to generate densty values, and Dempster Shafer as a concluson of dsease ndcaton. In ths study usng hybrd Partcle Swarm Optmzaton-Dempster Shafer for dagnoss of dsease ndcaton on gouramy fsh culture. The results obtaned from the output of the system wth experts acheve 86,5% results. Keyword : Dagnoss, Optmaton, Partcle Swarm Optmzaton, Dempster Shafer, Gouram Fsh Dsease 1. PENDAHULUAN Buddaya kan guram adalah proses awal yang dlakukan oleh pembuddaya yang d awal mula proses pembenhan sampa pembesaran kan hngga kan sap dpanen (Ruslana & Ryana, 2009). Dalam proses buddaya sendr mengalam beberapa kendala, salah satunya yang dmaksud adalah terjangktnya penyakt pada kan guram yang dbuddayakan. Mnmnya pengetahuan pembuddaya kan Fakultas Ilmu Komputer Unverstas Brawjaya 503

2 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 504 untuk mengenal dan menanggulang penyakt kan, konsep kolam, seleks benh, kualtas ar dan lebh-lebh pengetahuan tentang peyakt kan guram(elfan, 2013). Peneltan tentang metode Dempster-shafer telah banyak dlakukan dengan objek yang berbeda-beda. Pada peneltan berjudul Skn Dseases Expert System usng Dempster-Shafer Theory, teor Dempster-shafer dgunakan untuk mendeteks penyakt kult. Pada peneltan tersebut menghaslkan hasl deteks penyakt pada kulat manusa lebh akurat dbandngkan dengan metode yang lannya(andno & hasan, 2013). Selanjutnya Pada peneltan berjudul Mult-stream speech recognton based on Dempster Shafer combnaton rule, Dempstershafer dgunakan untuk mendeteks pengenalan suara(fabo Valente, 2010). Pada peneltan tersebut menghaslkan pengenalan suara lebh akurat dbandngkan metode sejens lanya Metode Dempster-Shafer dplh karena algortma n sangat senstf terhadap nsalsas nla denstas. Nla denstas adalah ukuran untuk suatu tngkat kepercayaan terhadap suatu perstwa. Nla denstas ddapat dar seorang ahl (pakar) dbdangnya msalkan dokter penyakt jantung, ahl hukum dsb. Sehngga jka ada penambahan fakta baru harus konsultas ke ahl untuk mendapatkan nla denstas baru. Tentu hal n akan membutuhkan waktu yang tdak sedkt. Dalam lmu komputer ada metode yang mampu menutup kelemahan metode Dempster Shafer dengan membangktkan nla secara acak dengan nla evaluas sebaga acuannya yatu metode Partcle Swarm Optmzaton. Dengan nla Dempster Shafer yang dperoleh dar perhtungan Partcle Swarm Optmzaton mampu memberkan nla denstas yang sebelumnya tergantung kepada ahl dapat doptmas mendekat nla maksmum atau mungkn lebh bak sehngga ketergantungan terhadap para ahl dapat dmnmalkan. Kajan dar beberapa peneltan datas menunjukan bahwa algortma Partcle Swarm Optmzaton dapat mengoptmas nla denstas awal pada algortma Dempster Shafer. Selan tu penggabungan dua metode dapat menngkatkan knerja algortma untuk menemukan hasl optmum dalam penambahan fakta baru dan memnmalkan ketergantungan metode Dempster Shafer terhadap seorang ahl. Berdasarkan latar belakang yang telah djabarkan sebelumnya, penuls mengajukan peneltan dengan judul Implementas Metode Partcle Swarm Optmzaton-Dempster Shafer Untuk Dagnosa Indkas Penyakt Pada Buddaya Ikan Guram. Dalam peneltan n dharapkan dapat memberkan pengetahuan lebh bag pemula tentang buddaya kan guram dan mengetahu jens penyakt dar kan guram melalu gejala atau fakta dalam proses buddaya sendr. 1.Berdasarkan permasalahan datas ddapatkan rumusan masalah yatu bagamana mengmplementaskan Hybrd Partcle Swarm Optmzaton dan Dempster Shafer Untuk Dagnosa Indkas Penyakt Pada Buddaya Ikan Guram dan bagaamana tngkat akuras metode Partcle Swarm Optmzaton dan Dempster Shafer Untuk Dagnosa Indkas Penyakt Pada Buddaya Ikan Guram 2. LANDASAN PUSTAKA 2.1 Dempster Shafer Metode Dempster-Shafer adalah teor matematka untuk pembuktan berdasarkan suatu fungs kepercayaan dan pemkran yang masuk akal. Teor n dapat menggabungkan potongan nformas yang terpsah atau bukt dengan tngkat keyaknan untuk mengkalkulaskan kemungknan dar suatu perstwa-perstwa (Wahyun dan Prjodprojo, 2013). Belef (Bel) adalah ukuran kekuatan evdence (fakta) dalam mendukung suatu hmpunan bagan. Nla evdence basa dsebut nla denstas yang menunjukan seberapa besar kepercayaan terhadap suatu perstwa yang nlanya 0 sampa dengan 1. Belef jka bernla 0 (nol) maka mengndkaskan bahwa tdak ada evdence, dan jka bernla 1 maka menunjukkan adanya kepastan. Menurut (Latfa Oukhellou, 2010), persamaan 2.1 merupakan fungs Belef. Bel ( X ) m( Y X (1) sedangkan Plausblty (Pls) adalah suatu tngkat ketdakpercayaan dar evdence dnotaskan pada persamaan 2.2 Pls( X ) 1 Bel( X ') 1 d mana: Bel(X) Pls(X) m(x) m(y) Y X ' m( X ') = Belef (X) = Plausblty (X) = mass functon dar (X) = mass functon dar (Y) (2) Plausblty juga bernla 0 sampa 1, jka kta yakn akan X maka dapat dkatakan Belef (X ) = 1 sehngga dar rumus d atas nla Pls (X) Fakultas Ilmu Komputer, Unverstas Brawjaya

3 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 505 = 0 (Latfa Oukhellou, 2010). Plausblty akan mengurang tngkat kepercayaan dar evdence. Pada teor Dempster-Shafer juga dkenal adanya frame of dscernment yang dnotaskan dengan. FOD n merupakan semesta pembcaraan dar sekumpulan hpotess sehngga serng dsebut dengan envronment (Latfa Oukhellou, 2010), dmana: { 1, 2,... n} (3) d mana: FOD atau envronment elemen/unsur bagan dalam envronment n Envronment mengandung elemen-elemen yang menggambarkan kemungknan sebaga jawaban dan hanya ada satu yang akan sesua dengan jawaban yang dbutuhkan namun tdak menutup kemungknan semuanya atau ada 2 elemen sebaga jawaban. Msalkan : A = Ikan sehat B = Terserang Bercak merah C = Terserang Srp Puth D = Terserang Mata Belo E = Terserang Cacng nsang {A,B,C,D,E} dengan Kemungknan n dalam teor Dempster- Shafer dsebut dengan power set dan dnotaskan dengan P ( ), setap elemen dalam power set n memlk nla nterval antara 0 sampa 1 (Sahaan, 2015). sehngga dapat persamaan 2.4. m( X ) 1 XP( ) XP( ) m( X ) 1 dengan P( ) = power set m(x) = mass functon dar (X). sebaga contoh: P(ar keruh) = 0,7 P(non-ar keruh) = 1 07 = 0,3 (4) Pada contoh d atas Belef dar ar keruh adalah 0,7 sedangkan dsbelef ar keruh adalah 0,3. dalam teor Dempster-Shafer, dsbelef dalam envronment basanya dnotaskan m( ). Sedangkan mass functon (m) dalam teor Dempster-Shafer adalah tngkat kepercayaan dar suatu evdence, serng dsebut dengan evdence measure sehngga dnotaskan dengan (m). Sebaga contoh pada aplkas sstem pakar dalam satu penyakt terdapat sejumlah evdence yang akan dgunakan pada faktor ketdakpastan dalam pengamblan keputusan untuk dagnosa suatu penyakt. Untuk mengatas sejumlah evdence tersebut pada teor Dempster-Shafer menggunakan aturan yang lebh dkenal dengan Dempster s Rule of Combnaton dengan persamaan 5 (Latfa Oukhellou, 2010) m 1 m2( d mana: X Y Z m1 m2( = mass functon dar evdence = mass functon dar evdence (X) = mass functon dar evdence (Y) = operator drect sum X ) m2( (5) secara umum formulas untuk Dempster s Rule of Combnaton X Y Z m1 m2( (6) 1 k dmana: k = Jumlah evdental conflct. Menurut (Latfa Oukhellou, 2010) besarnya jumlah evdental conflct (k) drumuskan pada persamaan 7: k Y) X Y (7) sehngga bla persamaan (2.6) dsubsttuskan ke persamaan (2.7) akan menjad X m1 m2( 1 d mana: Y Z X Y (8) m1 m2( = mass functon dar evdence m 1( X ) = mass functon dar evdence (X) m 2( = mass functon dar evdence (Y) K = jumlah evdental conflct 2.2 Partcle Swarm Optmzaton Langkah pertama adalah pembangktan partkel, dmana pada tahap n dbangktkan nla random sesua dengan permasalahan masng-masng. Nla random n yang nantnya akan menjad kanddat solus dar algortma n serng pembaruan teras. Langkah kedua adalah poss x k, dan kecepatan v k dar kumpulan partkel dbangktkan secara random (rand) menggunakan batas atas (x max) dan batas bawah (x mn) sepert yang dtunjukkan pada persamaan 9 dan 10. x 0 = x mn + rand(x max x mn ) (9) Fakultas Ilmu Komputer, Unverstas Brawjaya

4 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 506 v 0 = x mn + rand(x max x mn ) (10) Langkah selanjutnya adalah Update velocty (kecepatan) untuk semua partkel pada waktu k+1 menggunakan nla cost poss partkel saat n pada saat waktu ke k. Dalam peneltan n, nla cost dgunakan untuk memnmalkan jarak solus dengan bobot. Bobot merupakan nla palng optmum yang d dapat dar hasl wawancara terhadap pakar. Jarak yang palng optmum adalah jumlah partkel yang mendekat 0(nol) namun tdak menutup kemungknan hasl yang ddapat bernla 0(nol) serng dengan Update kecepatan dan poss. Solus yang d maksud adalah nla partkel atau kanddat solus yang d bangktkan secara acak 0(nol) sampa 1. Persamaan 11 mencar nla cost sebaga berkut: NlaCost= n ( j=1 Nla bobot x Nla Tap Partkel) Nla Bobot (11) Dar nla cost dapat dtentukan partkel yang memlk nla global terbak (global best) pada swarm saat n, dan juga poss terbak dar tap partkel pada semua waktu yang sekarang dan sebelumnya. Perumusan Update velocty juga menggunakan beberapa parameter random. Perumusan Update velocty dapat dlhat pada persamaan 12 sebaga berkut (Valle, 2008). v k+1 = ω v k + c 1 rand p best x k + c 2 rand g best x k (12) D mana : v k = kecepatan patkel pada teras k ω = nerta (fungs pemberat) c 1 = self confdence c 2 = swarm confdence rand = nla acak antara 0 dan 1 x k = poss partkel pada teras k p best = poss terbak dar partkel = nla p best terbak dar swarm. g best Pada setap teras, nla fungs pemberat (nerta) d-update melalu persamaan 13 (Omzegba & Adebayo, 2009). ω = ω max ω max ω mn ter max x ter (13) d mana : ω max = nla pemberat (nerta) awal. ω mn = nla pemberat (nerta) akhr. ter max = jumlah teras maksmum. ter = jumlah teras terakhr. Langkah terakhr adalah Update poss tap partkel. Dengan adanya perubahan kecepatan, maka poss partkel juga akan berubah pada tap teras yang dapat dcar melalu persamaan 3.4 (Omzegba & Adebayo, 2009) x k+1 = x k + v k+1 (14) d mana : x k+1 = poss partkel saat n x k = poss partkel sebelumnya = kecepatan partkel saat n. v k+1 Tga langkah yang telah dpaparkan tersebut akan dulang sampa krtera kekonvergenan terpenuh. Krtera kekonvergenan sangat pentng dalam menghndar penambahan nla evaluas setelah solus optmum ddapatkan. Namun krtera kekonvergenan tdak selalu mutlak dperlukan. Penetapan jumlah teras maksmal juga dapat dgunakan sebaga stoppng condton dar sebuah algortma (Omzegba & Adebayo, 2009). Dalam peneltan n stoppng condton yang dgunakan adalah jumlah teras maksmal sehngga algortma tdak akan berhent sebelum jumlah teras selesa. 2.3 Hybrd Partcle Swarm Optmzaton Dempster Shafer Algortme Partcle swarm optmzaton sendr dgunakan untuk membangktkan nla denstas yang akan dgunakan oleh Dempster Shafer. Berkut tahadapan algortme Partcle Swarm Optmzaton dan Dempster Shafer. Langkah Partcle swarm optmzaton- Dempster Shafer dtunjukkan pada Gambar 1. Dmana pada langkah awal pada metode Partcle swarm optmzaton dawal dengan proses nsalsas partkel dmana nla partkel dbangktkan secara acak, selanjutnya dlakukan perhtungan nla cost, nterval, personal best, global best hngga teras terakhr. Setelah ddapatkan nla global best pada teras terakhr selanjutnya dlakukan perhtungan menggunakan metode Dempster Shafer dengan menghtung nla belefe dan nla pluasablty yang selanjutnya akan ddapatkan kesmpulan sstem berupa ndkas penyakt. Fakultas Ilmu Komputer, Unverstas Brawjaya

5 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 507 perhtungan setelah pemlhan fakta. 3.2 Implementas Tambah Fakta Implementas tambah fakta dapat dlhat pada Gambar 3. Gambar 3. Tambah Fakta Ikan Guram Gambar 1. Dagram alr Sklus Algortme Partcle Swarm Optmzaton dan Dempster-Shafer. 3. IMPLEMENTASI Implementas bers tamplan user nterface yang terdapat pada menu dalam sstem dagnosa ndkas penyakt pada buddaya kan guram. 3.1 Implementas Plh Fakta Proses pemlhan fakta dapat dlhat pada Gambar 2. Pada Menu Tambah Fakta admn dapat menambahkan fakta dan parameter sesua dengan data yang ddapatkan. Admn dapat melakukan pengsan nla denstas yang ddapatkan dar pakar atau expert yang selanjutnya akan dlakukan perhtungan oleh metode Partcle Swarm Optmzaton dan Dempster Shafer. 3.3 Implementas Hasl Indkas Proses mplementas hasl ndkas dapat dlhat pada Gambar 4. Gambar 4. Hasl Indkas Gambar 2. Plh Fakta Ikan Guram Pada menu plh fakta user dapat mengnputkan atau memlh fakta berdasarkan gejala dan konds kan selama proses buddaya. Pada menu plh fakta terdapat 6 parameter dan 40 fakta. Yang selanjutnya dlakukan proses Pada menu hasl ndkas merupakan hasl kesmpulan sstem berupa ndkas penyakt yang terdapat pada kan guram berdasarkan pemlhan fakta yang telah d nputkan. Pada menu Hasl Indkas juga bers perhtungan dempster shafer berdasarkan fakta yang telah d nputkan sehngga membentuk rule. Fakultas Ilmu Komputer, Unverstas Brawjaya

6 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer PENGUJIAN 4.1 Pengujan Interval Kecepatan Pengujan nterval kecepatan partkel bertujuan untuk mengetahu nterval kecepatan partkel yang sesua sehngga dapat menghaslkan solus penyelesaan yang optmum. Interval kecepatan devaluas berdasarkan nla cost terbak dalam swarm. PSO merupakan algortma stokasts sehngga akan menghaslkan hasl berbeda setap kal program djalankan (Mahmudy 2015), karenanya untuk memperoleh rata-rata nla keseluruhan, dlakukan percobaan sebanyak 10 kal untuk setap nterval kecepatan partkel. Pada percobaan n evaluas pertama (evaluas 1) adalah nla cost yang dnyatakan bak dalam satu partkel mendekat 0 (nol) dan nla partkel melebh 1 (satu). Jka semakn mendekat 0 (nol) dan tdak melebh 1 maka besar nterval kecepatan akan dnyatakan bak. Presentas pada pengujan n lebh banyak pada nla partkel yang tdak melebh 1. Besar nterval kecepatan adalah 50% sampa dengan 0.05% dar nterval poss partkel. 4.2 Pengujan Bobot Inersa bobot nersa bertujuan untuk mengetahu kombnas bobot nersa maksmal (W_max) dan bobot nersa mnmal (W_mn) yang tepat guna memperoleh nla cost yang optmal. Nla bobot nersa maksmal yang dgunakan adalah 0.9, 0.8, dan 0.4 sedangkan nla bobot nersa mnmal yang dgunakan adalah 0.2, 0.3, 0.4. kombnas bobot nersa maksmal dan mnmal devaluas berdasarkan rata rata nla cost terbak. Untuk memperoleh rata-rata nla secara keseluruhan, dlakukan percobaan sebanyak 10 kal untuk tap kombnas bobot nersa. 4.3 Pengujan Ukuran Swarm Pengujan swarm dlakukan untuk mengetahu jumlah populas yang dbutuhkan untuk memperoleh nla cost terbak. Jumlah partkel dalam swarm yang dgunakan adalah kelpatan 5. Ukuran swarm optmum devaluas berdasarkan nla rata-rata cost terbak. Partcle Swarm Optmzaton merupakan algortma stokasts sehngga akan menghaslkan hasl berbeda setap kal program djalankan (Mahmudy, 2015) karenanya dalam percobaan dlakukan sebanyak 10 kal untuk setap ukuran swarm. 4.4 Pengujan Jumlah Iteras Pengujan jumlah teras dlakukan untuk mengetahu jumlah teras yang tepat untuk memperoleh nla cost terbak yatu mendekat nla 0 (nol). Jumlah teras yang dgunakan adalah kelpatan 10. PSO merupakan algortma skokats sehngga akan menghaslkan hasl yang berbeda setap kal program djalankan (Mahmudy, 2015), karenanya untuk memperoleh rata-rata nla keseluruhan, dlakukan percobaan sebanyak 10 kal setap jumlah teras. 4.5 Pengujan Koefsen Akseleras Pengujan koefsen akseleras dlakukan untuk mengetahu kombnas koefsen akseleras 1 dan koefsen akseleras 2 terbak guna memperoleh nla cost terbak yang mendekat 0 (nol). Karena partcle swarm optmzaton akan menghaslkan hasl yang berbeda setap djalankan maka dbutuhkan percobaan 10 kal untuk setap kombnas koefsen akseleras. 5. KESIMPULAN Berdasarkan hasl pengujan dan pembahasann dar Implementas Algortma Partcle Swarm Optmzaton-Demster Shafer Untuk Dagnosa Indkas Penyakt Pada Buddaya Ikan Guram maka dperoleh kesmpulan : 1. Algortma Partcle Swarm Optmzaton- Demster Shafer dapat dmplementaskan pada dagnosa ndkas penyakt kan guram yang memberkan pengetahuan berdasarkan pengalaman pemlhan kombnas fakta pada buddaya kan guram yang menghaslkan dampak ndkas percobaan. Partcle Swarm Optmzaton-Demster Shafer bekerja untuk mempredks ndkas berdasarkan fakta yang dpllh pada buddaya kan guram. Hal tersebut dlakukan dengan mendefnskan partkel sebaga representas penyelesaan. Panjang partkel adalah banyaknya fakta yang dplh sehngga jka fakta yang dplh berjumlah 2 maka panjang nsalsas partkel pertama merepresentaskan fakta 1 dan seterusnya sejumlah fakta yang dplh. Setap nsalsas partkel, pembangktan nla awal ds berdasarkan nla bobot yang dterma dar pakar. Sehngga jka pada nla bobot bernla 0 maka tdak ada pengaruh terhadap ndkas sehngga nla tdak Fakultas Ilmu Komputer, Unverstas Brawjaya

7 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 509 dbangktkan atau nla tetap 0. Selama proses optmas kecepatan partkel dan poss partkel selalu dperbaru. Solus penyelesaan berupa nla denstas optmum yang merupakan poss terbak yang pernah dcapa partkel pada teras tertentu. Poss terbak yang pernah dcapa tersebut yang djadkan sebaga nsalsas awal pada algortma Dempster Shafer untuk proses lebh lanjut sehngga menghaslkan keluaran berupa ndkas penyakt pada kan guram. 2. Berdasarkan uj coba sstem yang haslnya dbandngkan dar pakar maka ddapat hasl rata-rata akuras sstem sebesar 86,5% yang dlakukan sebanyak 10 kal dengan pemlhan kombnas fakta sebanyak 20. DAFTAR PUSTAKA Eka, M Hybrd Partcle Swarm Optmzaton dan K-Means untuk Clusterng Data Penentuan UKT. Maselano, A Dempster Shafer untuk dagnosa penyakt pada serangga. Mula, DS Isolas, karaktersas, dan Mentfkas Bakter Aeromons sp. Penyakt Mofle Aeromonas Septcema(&IAS) Pada Guram. Muzakr, I Penngkatan algortme Backpropagaton dengan seleks ftur Partcle Swarm Optmzaton dalam predks pelanggan telekomunkas yang hlang. Rosdah, Potens Ekstrak daun jambu bj sebaga antbakteral untuk menanggulang penyakt kan guram. Wahyun, EG Prototype sstem pakar untuk mendeteks penderta jantung koroner dengan menggunakan metode ftur Partcle Swarm Optmzaton dalam predks pelanggan telekomunkas yang hlang. Fakultas Ilmu Komputer, Unverstas Brawjaya