ISSN 2339-210X
218
JARINGAN SYARAF TIRUAN MENGGUNAKAN METODE PERCEPTRON
UNTUK MENENTUKAN PENYAKIT
PADA TANAMAN BUAH NANAS
Elekson Simatupang
Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpang Limun, Medan
ABSTRAK
Banyak masalah yang terjadi pada tanaman nanas ini yakni timbulnya berbagai penyakit yang disebabkan oleh hama sehingga menimbulkan gejala-gejala yang akan menandakan sebuah jenis penyakit, buah yang di hasilkan tanaman nanas yang terkena penyakit ini tidak maksimal dan membuat rugi petani. Jaringan saraf tiruan merupakan salah satu metode komputasi yang meniru cara kerja saraf otak manusia. Keunggulan metode ini dibandingkan dengan metode lain yaitu kemampuan belajar dan memecahkan hubungan yang rumit, yang sulit dideskripsikan antara data masukan dan data keluaran. Metode Perceptron merupakan salah satu bentuk jaringan sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu pola tipe tertentu yang sering di kenal dengan pemisahan secara linear. Perceptron melakukan pembelajaran terhadap data geja hingga di temukannya keluaran dengan target yang ditentukan.
Kata Kunci : Tanaman nanas, Jaringan Saraf Tiruan, Perceptron
I. PENDAHULUAN
Nanas merupakan buah yang dihasilkan oleh tanaman yang berupa semak dan sebagian memiliki duri dipinggiran daunnya dan pada umumnya nanas memiliki mahkota seperti daun yang tumbuh diatas buah nya, tanaman ini tentunya terdapat dibeberapa negara terkhusus yang ada di indonesia. Nanas ini sangat populer di indonesia karena cita rasa nya manis dan khas dan tentunya memiliki kandungan gizi yang sesuai dengan kebutuhan manusia, karena banyaknya permintaan pasar akan buah nanas ini, para petani mengharuskan untuk meningkatkan wilayah lahan dan bahkan bermunculan petani nanas yang baru, tentunya petani tidak hanya melihat dari segi permintaan pasar melainkan harus meningkatkan kualitas buah dan meminimalkan kerugian akibat hama dan penyakit.
Semakin meluasnya areal pertanaman memicu semakin banyaknya masalah hama dan penyakit yang muncul. Masalah ini menjadi salah satu kendala dalam mengembangkan komoditas nanas yang sangat potensial ini. Informasi mengenai hama dan penyakit nanas pun masih belum banyak diketahui. Padahal informasi tersebut sangat penting untuk menentukan langkah penanganan hama dan penyakit terhadap tanaman nanas tersebut.
Jenis penyakit yang sering menyerang buah pada tanaman nanas ini susah diketahui bahkan sering dijumpai tanaman nanas mati karena pangkal buahnya sampai membusuk karena serangan hama dan bakteri yang menimbulkan penyakit tersebut, petani sering menemukan banyak gejala-gejala dari penyakityang menimbulkan gangguan proses pertumbuhan tanaman hingga proses pembuahan.
Jaringan syaraf tiruan merupakan model adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui model tersebut. Jaringan syaraf tiruan memiliki beberapa metode seperti perceptron, hopfield diskrit, adaline, propagasi balik (back propagation), dan kohonen.
Dalam jurnal penelitian Hafizah, dkk (2015), yang berjudul “Penerapan Jaringan Syaraf Tiruan Dengan Algoritma Perceptron Untuk Mendeteksi Karakteristik Sidik Jari)” menyimpulkan bahwa pelatihan dan pengujian terhadap beberapa objek citra yang dijadikan sebagai sampel dapat diketahui hasilnya bahwa objek citra sidik jari dapat dikenali 100% oleh jaringan [7].
Dalam jurnal penelitian Muqodimah Nur Lestari, dkk,(2017) yang berjudul “Aplikasi Jaringan Syaraf Tiruan Metode Perceptron Pada Pengenalan Pola Huruf Hijaiyah (Huruf Arab)” menyimpulkanbahwa metode perceptron memiliki nilai ambang batas yang bernama threshold dan alfa. Keduanya memiliki peran untuk menentukan kesensitifan dalam mengenali pola inputan [8].
Dalam penelitian ini metode perceptron digunakan untuk mengenali pola penyakit yang telah ada, perceptron harus melakukan proses pelatihan terhadap data-data untuk mengenali pola penyakit yang telah ada, perceptron harus melakukan proses pelatihan terhadap data-data yang di inputkan dan mencocok kan keluaran dengan target sehingga didapatkan sebuah keluaran yang persis dengan target yang ditetapkan sebelumnya
II. LANDASAN TEORI
A. Defenisi Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah merupakan sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi seperti otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran otak manusia tersebut [2].
B. Penyakit dan Serangan Hama pada Tanaman Nanas Tanaman dikatakan sakit apabila ada perubahan atau gangguan pada organ-organ tanaman. Penyakit juga menjadi kendala dalam budidaya tanaman nanas, sehingga menurunkan hasil baik kualitas maupun kuantitas. Sedangkan Hama adalah semua binatang yang menganggu dan merugikan tanaman yang dibudidayakan manusia,
ISSN 2339-210X
219
sehingga hama sangat merugikan bagi setiap petani nanas karena mempengaruhi faktor kualitas pada buah nanas, Berikut data penyakit dan hama pada tanaman nanas [9]. C. Metode Perceptron
Perceptron pada Jaringan Syaraf Tiruan (Neural Network) termasuk kedalam salah satu bentuk Jaringan Syaraf (Neural Network) yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan istilah pemisahan secara linear.
Pada dasarnya perceptron pada Jaringan Syaraf Tiruan (Neural Network) dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Fungsi aktivasi dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif [4].
Langkah-langkah pelatihan perceptron adalah sebagai berikut [4] :
Langkah 0 : Inisialisasi Bobot dan Bias Untuk lebih mudah set bias dan bobot ke nol, Lalu tentukan nilai laju pelatihan.
Langkah1 :Selama kondisi henti tidak terpenuhi jalankan langkah 2-6
Langkah 2 : Untuk setiap pasangan pola s:t lakukan langkah 3-5
Langkah 3 : Set nilai aktivasi untuk unit input, Xi = Si Langkah 4 : Hitung respon dari unit output
net = 𝑏𝑖+ ∑ 𝑋𝑖 𝑖𝑊𝑖,𝑗 𝑦𝑗 = {
1 jika net> θ 0 𝑗𝑖𝑘𝑎−𝜃≤𝑛𝑒𝑡 ≤ 𝜃
−1 𝑗𝑖𝑘𝑎 𝑛𝑒𝑡< 𝜃
Langkah 5 : Perbaiki bobot dan bias jika terjadi kesalahan pada pola:
jika yj ≠ tj
wj,j (baru) = wi,j (lama) + α,tj,xi bi (baru) = bi,j (lama) + αtj jika yj = tj
wi,j (baru) = wi,j (lama) bi (baru) = bi,j (lama) Langkah 6 : Test kondisi berhenti :
𝑊1 𝑋1 + 𝑊2 𝑋2 + b > 𝜃 untuk respon positif, dan 𝑊1 𝑋1 + 𝑊2 𝑋2 + b < - 𝜃 untuk respon negatif.
Jika tidak ada bobot yang berubah dalam langkah 2 maka berhenti. Jika ada maka lanjutkan kembali ke langkah 1. Dari nilai bobot hasil pelatihan dapat diperoleh garis pemisah (separating line).
Nb : jika input pelatihan hanya 2 pasang.
Algoritma diatas bisa digunakan baik untuk input biner maupun bipolar, dengan tertentu, dan bias yang dapat diatur. Pada algoritma tersebut bobot-bobot yang diperbaiki hanyalah bobot – bobot yang berhubungan dengan input yang aktif (xi ≠ 0) dan bobot – bobot yang tidak menghasilkan nilai y yang benar.
III. ANALISA A. Analisa Masalah
Dalam menetukan penyakit tanaman nanas diperlukan sumber data dari hasil riset dan sumber buku tentang penyakit tanaman nanas ini, untuk melakukan pengujian terhadap jaringan syaraf tiruan penyakit tanaman nanas dibuat dalam dua kelompok penyakit serta gejala-gejala apa saja yang menimbulkan penyakit tersebut.
1. Analisa Kebutuhan Data
Data yang dibutuhkan merupakan Jenis penyakit serta gejala-gejala apa saja yang menandakan penyakit tersebut, Analisa data dibutuhkan untuk mendapatkan hasil yang jelas dimana penyakit dikelompokkan dengan gejala-gejala yang timbul, berikut tabel hasil analisa penyakit.
Tabel 1 Analisa data penyakit
No Nama
Penyakit Gejala
1. Busuk Pangkal
Pangkal buah busuk lunak yang berwarna coklat, Pada daun timbul bercak putih kekuningan, Buah matang menjadi busuk yang berwarna kuning hingga akhirnya menjadi hitam
2. Layu
Bagian daun layu berwarna kuning kemerahan, daun keriting, daun layu kering melengkung ke bawah 3. Busuk
Akar/Hati
Ujung daun mati sebagian (nekrosis), Tidak berbuah, pertumbuhan kerdil 4. Fusariosis
Tanaman jadi kerdil akibat serangan ke seluruh tanaman, batang bengkok dan mati
Untuk menentukan penyakit pada tanaman nanas, data akan diperinci lagi guna mengakuratkan serta mempermudah dalam menentukan, hanya mengambil dua jenis penyakit dari empat jenis penyakit yang sering terjadi pada tanaman nanas, jenis penyakit yang dibahas yaitu busuk pangkal dan busuk hati/akar. Berikut tabel gejala dibuat berdasarkan kode gejala.
Tabel 2 Data kode gejala
No Nama
Penyakit
Gejala
1. Busuk
Pangkal
Pangkal buah busuk lunak yang berwarna coklat, Pada daun timbul bercak putih kekuningan, Buah matang menjadi busuk yang berwarna kuning hingga akhirnya menjadi hitam
2. Layu Bagian daun layu berwarna kuning
kemerahan, daun keriting, daun layu kering melengkung ke bawah
3. Busuk
Akar/Hati
Ujung daun mati sebagian(nekrosis), Tidak berbuah, pertumbuhan kerdil 4. Fusariosis Tanaman jadi kerdil akibat serangan ke
seluruh tanaman, batang bengkok dan mati Pada tabel gejala tersebut dimana gejala A,B,C merupakan gejala dari penyakit busuk pangkal, dan gejala ,D,E,F merupakan gejala dari penyakit busuk hati/akar.
2. Pengolahan Data
Data tanaman nanas yang akan digunakan merupakan gejala dari kedua penyakit yang akan di gunakan dalam proses pelatihan JST. Untuk melakukan pelatihan terhadap metode ada 5 sampel tanaman nanas, sebelumnya akan di konversi kedalam bentuk nilai biner[1,0] sebagai target dan biner [1,0] sebagai masukan data.
ISSN 2339-210X 220 Tanam an Nanas Geja la A Geja la B Geja la C Geja la D Geja la E Geja la F Targ et Tanama n ke .1 1 1 1 0 0 0 1 Tanama n ke .2 1 1 0 0 1 0 1 Tanama n ke .3 1 0 1 0 0 1 1 Tanama n ke .4 0 0 1 1 0 1 0 Tanama n ke .5 0 0 0 1 1 1 0 Dengan Keterangan : Gejala = Masukan : Ada Gejala = “1” Tidak Ada Gejala = “0” Target = Keluaran :
Busuk Pangkal = “1“ Busuk Hati/Akar = “ 0”
Untuk menimbulkan penyakit busuk pangkal pada sampel tanaman nanas harus menimbulkan minimal 2 dan maksimal 3 dari gejala A sampai C, sedangkan untuk menimbulkan penyakit busuk hati/akar harus menimbulkan minimal 2 dan maksimal 3 dari gejala D sampai F.
B. Penyelesaiyan Metode Perceptron
Untuk melakukan pembelajaran pada data gejala tersebut, maka diperlukan nilai masukan dan target. Nilai data pelatihan berikut telah dirobah ke bentuk biner sebagai target keluarannya. Tanam an Nanas Geja la A Geja la B Geja la C Geja la D Geja la E Geja la F Targ et Tanama n ke .1 1 1 1 0 0 0 1 Tanama n ke .2 1 1 0 0 1 0 1 Tanama n ke .3 1 0 1 0 0 1 1 Tanama n ke .4 0 0 1 1 0 1 0 Tanama n ke .5 0 0 0 1 1 1 0 Pada pelatihan perceptron ini, proses pembelajaran akan berpengaruh pada nilai learning rate dan treshold, dimana kedua nilai tersebut sangat menentukan kecepatan dan ketepatan proses pembelajaran sampai di temukan nya hasil keluaran dengan output target yang telah di tentukan sebelumnya, Dengan ketentuan sebagai beriku :
1. X1 , X2, X3, .... Xn merupakan input berbentuk biner (bernilai 0 dan 1)
2. y merupakan output jaringan syaraf tiruan (JST) 3. t adalah target bipolar
4. Delta (∆)merupakan error
5. Learning rate (tingkat pembelajaran α) yang telah ditentukan, α = 0,4
6. Menggunakan threshold (nilai ambang 𝜃) yang telah di tentukan, 𝜃 = 1
7. Nilai awal bobot (w1 dan w2) bias nya = 0 8. Nilai awal bias (b) = 0
9. Fungsi aktivasi digunakan untuk membandingkan output dan target yang diinginkan yaitu bipolar (lihat persamaan 2-2).
a. Proses Pelatihan Perceptron
Epoch ke-1 Data ke-1 ( x1= 1, x2=1, x3=1, x4=0, x5=0, x6=0 t= 1) y_in= b + ∑i xi wi = 0 + 1.0 + 1.0 + 1.0 + 0.0 + 0.0 + 0.0 = 0 Fungsi aktivasi : y= { 1 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≥ 1 0 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≤ 1 Hasil aktivasi y = 0
(Tidak sama dengan target t = 1, maka harus dilakukan perubahan bobot dan bias :
w1 (baru) = w1(lama) + α*t*x1 = 0 + 0,4* (1).1 = 0,4 w2 (baru) = w2(lama) + α*t*x2 = 0 + 0,4* (1).1 = 0,4 w3 (baru) = w3(lama) + α*t*x3 = 0 + 0,4* (1).1 = 0,4 w4 (baru) = w4(lama) + α*t*x4 = 0 + 0,4* (1).0 = 0 w5 (baru) = w5(lama) + α*t*x5 = 0 + 0,4* (1).0 = 0 w6 (baru) = w6(lama) + α*t*x6 = 0 + 0,4* (1).0 = 0 b(baru) = b(lama) + α*t = 0 + 0,4 * (1) = 0,4 Data ke-2 ( x1= 1, x2=1, x3=0, x4=0, x5=1, x6=0 t= 1) y_in= b + ∑i xi wi = 0,4 + 1.0,4 + 1.0,4 + 0.0,4 + 0.0 + 1.0 + 0.0 = 1,2 Fungsi aktivasi : y= { 1 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≥ 1 0 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≤ 1 Hasil aktivasi y = 1
(sama dengan target t = 1, maka tidak dilakukan perubahan bobot dan bias) bobot dan bias tetap: w1 (baru) = w1(lama) = 0,4 w2 (baru) = w2(lama) = 0,4 w3 (baru) = w3(lama) = 0,4 w4 (baru) = w4(lama) = 0 w5 (baru) = w5(lama) = 0 w6 (baru) = w6(lama) = 0 b(baru) = bias(lama) = 0,4 Data ke-3 ( x1= 1, x2=0, x3=1, x4=0, x5=0, x6=1 t= 1) y_in= b + ∑i xi wi = 0,4 + 1.0,4 + 0.0,4 + 1.0,4 + 0.0 + 0.0 + 1.0 = 1,2 Fungsi aktivasi : y= { 1 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≥ 1 0 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≤ 1 Hasil aktivasi y = 1
(sama dengan target t = 1, maka tidak dilakukan perubahan bobot dan bias) bobot dan bias tetap: w1 (baru) = w1(lama) = 0,4 w2 (baru) = w2(lama) = 0,4 w3 (baru) = w3(lama) = 0,4 w4 (baru) = w4(lama) = 0 w5 (baru) = w5(lama) = 0 w6 (baru) = w6(lama) = 0 b(baru) = bias(lama) = 0,4 Data ke-4 ( x1= 0, x2=0, x3=1, x4=1, x5=0, x6=1 t= 0) y_in= b + ∑i xi wi = 0,4 + 0.0,4 + 0.0,4 + 1.0,4 + 1.0 + 0.0 + 1.0 = 0,8
ISSN 2339-210X 221 Fungsi aktivasi : y= { 1 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≥ 1 0 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≤ 1 Hasil aktivasi y = 0
(sama dengan target t = 0, maka tidak dilakukan perubahan bobot dan bias) bobot dan bias tetap: w1 (baru) = w1(lama) = 0,4 w2 (baru) = w2(lama) = 0,4 w3 (baru) = w3(lama) = 0,4 w4 (baru) = w4(lama) = 0 w5 (baru) = w5(lama) = 0 w6 (baru) = w6(lama) = 0 b(baru) = bias(lama) = 0,4 Data ke-5 ( x1= 0, x2=0, x3=0, x4=1, x5=1, x6=1 t= 0) y_in= b + ∑i xi wi = 0,4 + 0.0,4 + 0.0,4 + 0.0,4 + 1.0 + 1.0 +1. 0 = 0,4 Fungsi aktivasi : y= { 1 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≥ 1 0 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≤ 1 Hasil aktivasi y = 0
(sama dengan target t = 0, maka tidak dilakukan perubahan bobot dan bias) bobot dan bias tetap: w1 (baru) = w1(lama) = 0,4 w2 (baru) = w2(lama) = 0,4 w3 (baru) = w3(lama) = 0,4 w4 (baru) = w4(lama) = 0 w5 (baru) = w5(lama) = 0 w6 (baru) = w6(lama) = 0 b(baru) = bias(lama) = 0,4 Epoch ke-2 Data ke-1 ( x1= 1, x2=1, x3=1, x4=0, x5=0, x6=0 t= 1) y_in= b + ∑i xi wi = 0,4 + 1.0,4 + 1.0,4 + 1.0,4 + 0.0 + 0.0+0.0 = 1,6 Fungsi aktivasi : y= { 1 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≥ 1 0 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≤ 1 Hasil aktivasi y = 1
(sama dengan target t = 1, maka tidak dilakukan perubahan bobot dan bias) bobot dan bias tetap: w1 (baru) = w1(lama) = 0,4 w2 (baru) = w2(lama) = 0,4 w3 (baru) = w3(lama) = 0,4 w4 (baru) = w4(lama) = 0 w5 (baru) = w5(lama) = 0 w6 (baru) = w6(lama) = 0 b(baru) = bias(lama) = 0,4 Data ke-2 ( x1= 1, x2=1, x3=0, x4=0, x5=1, x6=0 t= 1) y_in= b + ∑i xi wi = 0,4 + 1.0,4 + 1.0,4 + 0.0,4 + 0.0 + 1.0 + 0.0 = 1,2 Fungsi aktivasi : y= { 1 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≥ 1 0 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≤ 1 Hasil aktivasi y = 1
(sama dengan target t = 1, maka tidak dilakukan
perubahan bobot dan bias) bobot dan bias tetap: w1 (baru) = w1(lama) = 0,4 w2 (baru) = w2(lama) = 0,4 w3 (baru) = w3(lama) = 0,4 w4 (baru) = w4(lama) = 0 w5 (baru) = w5(lama) = 0 w6 (baru) = w6(lama) = 0 b(baru) = bias(lama) = 0,4 Data ke-3 ( x1= 1, x2=0, x3=1, x4=0, x5=0, x6=1 t= 1) y_in= b + ∑i xi wi = 0,4 + 1.0,4 + 0.0,4 + 1.0,4 + 0.0 + 0.0 + 1.0 = 1,2 Fungsi aktivasi : y= { 1 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≥ 1 0 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≤ 1 Hasil aktivasi y = 1
(sama dengan target t = 1, maka tidak dilakukan perubahan bobot dan bias) bobot dan bias tetap: w1 (baru) = w1(lama) = 0,4 w2 (baru) = w2(lama) = 0,4 w3 (baru) = w3(lama) = 0,4 w4 (baru) = w4(lama) = 0 w5 (baru) = w5(lama) = 0 w6 (baru) = w6(lama) = 0 b(baru) = bias(lama) = 0,4 Data ke-4 ( x1= 0, x2=0, x3=1, x4=1, x5=0, x6=1 t= 0) y_in= b + ∑i xi wi = 0,4 + 0.0,4+ 0.0,4 + 1.0,4 + 1.0 + 0.0+ 1.0 = 0,8 Fungsi aktivasi : y= { 1 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 ≥ 1 0 𝑗𝑖𝑘𝑎 𝑦𝑖𝑛 ≤ 1 Hasil aktivasi y = 0
(sama dengan target t = 0, maka tidak dilakukan perubahan bobot dan bias) bobot dan bias tetap: w1 (baru) = w1(lama) = 0,4 w2 (baru) = w2(lama) = 0,4 w3 (baru) = w3(lama) = 0,4 w4 (baru) = w4(lama) = 0 w5 (baru) = w5(lama) = 0 w6 (baru) = w6(lama) = 0 b(baru) = bias(lama) = 0,4 Data ke-5 ( x1= 0, x2=0, x3=0, x4=1, x5=1, x6=1 t= 0) y_in= b + ∑i xi wi = 0,4 + 0.0,4+ 0.0,4 + 0.0,4 + 1.0+ 1.0 + 1.0= 0,4 Fungsi aktivasi : y= { 1 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≥ 1 0 𝑗𝑖𝑘𝑎 𝑦_𝑖𝑛 ≤ 1 Hasil aktivasi y = 0
(sama dengan target t = 0, maka tidak dilakukan perubahan bobot dan bias) bobot dan bias tetap: w1 (baru) = w1(lama) = 0,4
ISSN 2339-210X 222 w3 (baru) = w3(lama) = 0,4 w4 (baru) = w4(lama) = 0 w5 (baru) = w5(lama) = 0 w6 (baru) = w6(lama) = 0 b(baru) = bias(lama) = 0,4 IV. IMPLEMENTASI A. Implementasi Sistem
Adapun Hasil Perancangan program untuk menentukan penyakit tanaman nanas ini adalah sebagai berikut.
1. Tampilan Menu Utama
Form Menu utama berfungsi sebagai antar muka antara pemakai dan sistem. Form ini memuat semua form-form yang ada pada sistem ini, sehingga kita dapat dengan mudah menggunakan sistem ini. Sistem ini dirancang sedemikian rupa sehingga dapat bersifat user friendly dengan user.
Gambar 1 Tampilan Menu Utama 2. Tampilan Menu Daftar Penyakit
Form Daftar Penyakit merupakan form yang akan muncul setelah user memilih menu daftar penyakit pada form utama. Untuk menentukan penyakit Form ini berisi keterangan daftar penyakit serta contoh input yang dapat diproses oleh aplikasi. Tombol Tutup pada form ini berfungsi menutup form Daftar penyakit.
Gambar 2 Tampilan Daftar Keterangan Gejala 3. Tampilan Menu Pengujian
Form Pengujian merupakan form yang akan muncul setelah user memilih menu Pengujian dalam menu utama.
Gambar 3 Tampilan sebelum data diinputkan B. Hasil Pengujian Program
Hasil pengujian merupakan tahapan akhir dari peneitian ini, hasil dalam aplikasi ini merupakan keluaran yang sesuai dari keluaran jaringan syaraf tiruan yang telah dilakukan proses pelatihan di bab sebelumnya, dimana aplikasi dapat menentukan penyakit sesuai dengan input yang diberikan, berikut tampilan hasil dari program pengujian.
Gambar 4 Tampilan Setelah Diinputkan gejala V. KESIMPULAN
Berdasarkan uraian dari bab-bab sebelumnya, maka penulis dapat memberikan kesimpulan sebagai berikut : 1. Jaringan Syaraf Tiruan dengan Metode Perceptron
mampu menentukan jenis penyakit pada tanaman nanas sesuai dengan pola penyakit yang dilatih berdasarkan nilai input dan target yang ditentukan sebelumnya. 2. Proses kecepatan pelatihan pada metode perceptron
berpengaruh pada besarnya learning rate(laju pemahaman).
3. Aplikasi yang digunakan dalam menentukan penyakit pada tanaman nanas dibangun menggunakan Software Matlab GUI.
DAFTAR PUSTAKA
[1] Budi Santosa, Matlab untuk Statistika & Teknik Optimasi Aplikasi untuk Rekaya & Bisnis, Yogyakarta, GRAHA ILMU. 2008
[2] Diyah Puspitaningrum, Pengantar Jaringan Syaraf Tiruan, Yogyakarta: ANDI. 2006
[3] Dwi Ana Ratna Wati, Sistem Kendali Cerdas, Yogyakarta: Graha Ilmu. 2011
[4] Jong Jek Siang, Jaringan Syaraf Tiruan dan Pemogramannya, Yogyakarta: Andi. 2009
[5] Jogiyanto, Analisis & Desain Sistem Informasi, Yogyakarta: ANDI.2005
[6] T.Sutojo, Edy Mulyano, Vincent Suhartono, Kecerdasan Buatan, Yogyakarta: ANDI 2011
ISSN 2339-210X
223
[7] Hafizah, Sulindawaty, Tugiono, Penerapan Jaringan Syaraf Tiruan Dengan Algoritma Perceptron Untuk Mendeteksi
Karakteristik Sidik Jari, Jurnal SAINTIKOM, Vol.14,No. 2.
pp. 87-92. 2015
[8] Muqodimah Nur Lestari dkk, Aplikasi Jaringan Syaraf Tiruan Metode Perceptron Pada Pengenalan Pola Huruf Hijaiyah (Huruf Arab), Prosiding Seminar Ilmu Komputer dan Teknologi Informasi, Vol. 2, No. 1, Maret 2017
[9] Sri Hadiaty,Ni L.P Indriyani.(2008). Budidaya Nenas,[Online]. ISBN 978-979-1465-04-5. pp.24-32 Available:
http://balitbu.litbang.pertanian.go.id/ind/images/filepdf/juknis/bd nenas.pdf
