vi
ABSTRAK
Dengan teknologi yang semakin berkembang saat ini, sebuah sistem dapat mendeteksi penyakit baik pada manusia, tumbuhan maupun hewan. Self-Organizing Feature Maps adalah salah satu metode jaringan syaraf tiruan yang dapat melakukan pendeteksian, dimana neuron yang mempunyai jarak yang paling kecil adalah neuron pemenang atau neuron yang paling sesuai denga input yang diberikan. Parameter dalam sistem adalah penyakit ayam. Input dalam sistem yaitu berupa 60 ciri dan gejala penyakit dan outputnya adalah 16 jenis penyakit ayam. Pada sistem ini terdapat proses pelatihan dan proses pengujian. Pada tugas akhir ini sistem menggunakan Matlab R2007b dan Microsoft Office Excel 2007 untuk sebagai tempat penyimpanan data yaitu terdiri dari 60 ciri dan 16 jenis penyakit dikelompokkan ke dalam 4 JST. JST pertama terdiri dari 15 ciri dan gejala penyakit yang dimulai dari ciri yang pertama sampai ciri yang ke-15. Begitu juga dengan JST 2 dimulai dari ciri yang ke-16 sampai ciri yang ke-30. Begitu seterusnya sampai JST 4. Sistem ini dilatih dengan 100 iterasi. Dengan menginputkan ciri dan gejala penyakit, maka akan diperoleh output berupa salah satu penyakit ayam dari 16 jenis penyakit. Akan tetapi keakuratan dalam jaringan syaraf tiruan dengan metode Self Organizing Feature Maps tidak 100% benar yang ditunjukkan ada beberapa input yang tidak menghasilkan output yang benar.
Katakunci : Jaringan Syaraf Tiruan, Jaringan Kompetitif Self-Organizing Feature Maps (SOFM), Penyakit Ayam, Iterasi, Pelatihan
Kata Kunci: Pengenalan Pola, Tanda Tangan, AnalisisKomponen Utama, Jaringan Saraf Tiruan, Backpropagation
vii
IMPLEMENTATION OF ARTIFICIAL NEURAL NETWORKS FOR DETECTING DISEASES IN CHICKEN BY METHOD
SELF-ORGANIZING FEATURE MAPs (SOFM)
ABSTRACT
With the development of technology, a system can detect diseases in humans, plants and animals. Self-Organizing Feature Maps is one method of neural network that can perform detection, where the neuron that has the smallest distance is the winner neuron or neurons that best suits a given input. Parameter in the system are chicken diseases. Input into the system are 60 traits and symptoms of the diseases and the output are 16 kinds of chicken diseases. There are training and simulation stages in the system. The system uses Matlab2007b and Excel 2007 as data storage which consists of 60 traits and diseases which are then grouped into 4 artificial neural network. The first artificial neural network has 15 traits and symptoms of the disease, starting from trait #1 to #15. Traits #16 to #30 are placed in the second artificial neural network, and so forth until the fourth artificial neural network. The system is trained with 100 iterations. By inputting traits and symptoms, the system will output one of the 16 chicken diseases. However, the accuracy of the artificial neural networks with SOFM method is not 100% correct which was indicated by some input not resulting in the correct output.
Keywords: Artificial Neural Networks, Competitive Networks Self-Organizing Feature Maps (SOFM), Chicken Diseases, Iteration, Training
