DIAGNOSA PENYAKIT KULIT PADA ANJING DENGAN ALGORITMA MULTILAYER PERCEPTRON
Article Sidebar
Published:
Dec 15, 2019
Keywords:
Sistem Pakar, Anjing, Penyakit Kulit, Multi Layer Perceptron
Main Article Content
Abstract
Anjing merupakan hewan peliharaan yang populer. Kurangnya pengetahuan mengenai penyakit kulit pada anjing dan terbatasnya jumlah dokter hewan dapat membahayakan kesehatan hewan dan majikannya sendiri. Pengenalan penyakit kulit ajing dapat dilakukan dengan menggunakan metode jaringan syaraf tiruan Multi Layer Perceptron (MLP). MLP digunakan untuk mempelajari 8 jenis penyakit kulit, dan 20 gejala penyakit. Data training terdiri dari 22 kasus. Pengujian dengan menggunakan 10 layar tersembunyi dan maksimum epoch sebesar 100, menghasilkan nilai akhir error yang sudah cukup rendah, yaitu MSE = 0.01494 dan RMSE = 0.12223 untuk melakukan diagnosa penyakit secara akurat. Semua data pelatihan dan data pengujian berhasil dikenali dengan akurat.
Downloads
Download data is not yet available.
Article Details
How to Cite
Damanik, R., Br.Sirait, M., Yolanda, S., Ketaren, E., Sinaga, I. P., & Harahap, M. (2019). DIAGNOSA PENYAKIT KULIT PADA ANJING DENGAN ALGORITMA MULTILAYER PERCEPTRON. JURNAL MAHAJANA INFORMASI, 4(2), 50–56. https://doi.org/10.51544/jurnalmi.v4i2.963
Section
Artikel
References
Nurlayli, R.K., dan Hidayati, D.S. 2014, Kesepian Pemilik Hewan Peliharaan yang Tinggal Terpisah dari Keluarga, Universitas Muhammadiyah, Malang.
Mirwa, T. 2016, Kesetiaan: Anjing Sebagai Subjek dalam Penciptaan Karya Seni Patung, ISI, Yogyakarta.
Firscha, P. 2018. Inilah 6 Penjelasan Ilmiah Mengenai Sifat Setia Anjing kepada Manusia, IDNTimes, Jakarta.
Zhang, W. 2012. Jenis-Jenis Sakit Kulit Pada Anjing. Anjingkita.com.
Anbazhagan, R. dan Ponmuthuramalingam P. 2016, Neural Networks Based Image Retrieval System Using Rosenblatt's Perceptron Algorithm, GAC, India.
Ravi, D. et.al, 2016. Deep Learning for Health Informatics, University College, London.
Banda, et.al. 2013, Online Learning in a Chemical Perceptron, University of New Mexico, Mexico.
Ramchoun, H., et.al. 2016, Multilayer Perceptron: Architecture Optimization and Training, International Journal of Interactive Multimedia and Artificial Intelligence, Morocco.
Rani, K. H. 2017, Advancements in Multi-Layer Perceptron Training to Improve Classification Accuracy, International Journal on Recent and Innovation Trends in Computing and Communication, India.
Mia, et.al. 2015, An Algorithm For Training Multilayer Perceptron (MLP) For Image Reconstruction Using Neural Network Without Overfitting, University of Information Technology & Science, Bangladesh.
Sudha, G.M. 2014, Software Defect Prediction System using Multilayer Perceptron Neural Network with Data Mining, Al-Ameen Engineering College, India.
Baskaran, K. and Balaji, S.A. 2013, Design and Development of Artificial Neural Networking (ANN) System Using Sigmoid Activation Function to Predict Annual Rice Production in Tamilnadu, Karpagam University, India.
Mishra, et.al. 2018, Comprehensive and Comparative Analysis of Neural Network, Banasthali Vidyapith, India.
Witari, R.W. dan Gandhiadi, I.G. 2013, Sistem Pakar Pendiagnosa Penyakit Menular pada Anjing, Universitas Udayana, Bali.
Himawan, dkk. 2018, Sistem Diagnosis Penyakit Hewan Pada Anjing Dengan Menggunakan Metode Naive Bayes, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Malang.
Ramadhoni, et.al. 2019, Sistem Pakar Diagnosa Penyakit Kulit Pada Anjing Menggunakan Metode Bayes, SAINTEKS, Padang.
Guntoro, et.al. 2019, Prediksi Jumlah Kendaraan di Provinsi Riau Menggunakan Metode Backpropagation, Jurnal Ilmiah Ilmu Komputer, Pekanbaru
Mirwa, T. 2016, Kesetiaan: Anjing Sebagai Subjek dalam Penciptaan Karya Seni Patung, ISI, Yogyakarta.
Firscha, P. 2018. Inilah 6 Penjelasan Ilmiah Mengenai Sifat Setia Anjing kepada Manusia, IDNTimes, Jakarta.
Zhang, W. 2012. Jenis-Jenis Sakit Kulit Pada Anjing. Anjingkita.com.
Anbazhagan, R. dan Ponmuthuramalingam P. 2016, Neural Networks Based Image Retrieval System Using Rosenblatt's Perceptron Algorithm, GAC, India.
Ravi, D. et.al, 2016. Deep Learning for Health Informatics, University College, London.
Banda, et.al. 2013, Online Learning in a Chemical Perceptron, University of New Mexico, Mexico.
Ramchoun, H., et.al. 2016, Multilayer Perceptron: Architecture Optimization and Training, International Journal of Interactive Multimedia and Artificial Intelligence, Morocco.
Rani, K. H. 2017, Advancements in Multi-Layer Perceptron Training to Improve Classification Accuracy, International Journal on Recent and Innovation Trends in Computing and Communication, India.
Mia, et.al. 2015, An Algorithm For Training Multilayer Perceptron (MLP) For Image Reconstruction Using Neural Network Without Overfitting, University of Information Technology & Science, Bangladesh.
Sudha, G.M. 2014, Software Defect Prediction System using Multilayer Perceptron Neural Network with Data Mining, Al-Ameen Engineering College, India.
Baskaran, K. and Balaji, S.A. 2013, Design and Development of Artificial Neural Networking (ANN) System Using Sigmoid Activation Function to Predict Annual Rice Production in Tamilnadu, Karpagam University, India.
Mishra, et.al. 2018, Comprehensive and Comparative Analysis of Neural Network, Banasthali Vidyapith, India.
Witari, R.W. dan Gandhiadi, I.G. 2013, Sistem Pakar Pendiagnosa Penyakit Menular pada Anjing, Universitas Udayana, Bali.
Himawan, dkk. 2018, Sistem Diagnosis Penyakit Hewan Pada Anjing Dengan Menggunakan Metode Naive Bayes, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Malang.
Ramadhoni, et.al. 2019, Sistem Pakar Diagnosa Penyakit Kulit Pada Anjing Menggunakan Metode Bayes, SAINTEKS, Padang.
Guntoro, et.al. 2019, Prediksi Jumlah Kendaraan di Provinsi Riau Menggunakan Metode Backpropagation, Jurnal Ilmiah Ilmu Komputer, Pekanbaru