26 59.
Pergerakan Otot Tidak Terkoordinasi Dengan Baik 60.
Pergerakan Kaki Tidak Terkoordinasi Dengan Baik.
Ciri dan gejala tersebut dikonversikan ke dalam bilangan biner yang kemudian disimpan di Microsoft Office Excel 2007. Keluaran yang dihasilkan oleh sistem adalah
berupa 16 jenis penyakit ayam yaitu : 1.
Marek Disease 2.
Chronic Respiratory Disease 3.
Salesma Ayam 4.
Infectious Bursal Disease 5.
Newcastle Disease 6.
Avian Tuberculosis 7.
Avian Laryngotraceitis 8.
Infectious Coryza 9.
Infectious Bronchitis 10.
Avian Influenza 11.
Avian Collibacillosos 12.
Aspergillosis 13.
Necrotic Dermatitis 14.
Nevel Infection 15.
Fowl Pox 16.
Dermatommycosis
Sebagai contoh apabila di input : Lumpuh, Pembesaran Syaraf dan Diare maka Output : Penyakit Marek Disease.
3.2.2 Analisis Jaringan Syaraf Tiruan
Jaringan syaraf tiruan terdiri dari elemen-elemen pemroses yang tersusun dan terhubung dengan arsitektur tertentu. Hubungan antar elemen tersebut mempuyai nilai
tertentu yang dapat mengatur sinyal yang melewati koneksi tersebut. Nilai yang dikenal dengan nilai bobot ini akan mengalami perubahan dalam proses pelatihan.
Universitas Sumatera Utara
27 Metode pelatihan yang digunakan dengan metode pembelajaran yang dilakukan
adalah metode pelatihan tidak terpandu. Algoritma pelatihan yang digunakan berupa algoritma pelatihan self-organizing feature maps.
Self Organizing Feature Maps terdiri dari dua lapisan, yaitu lapisan input dan lapisan output. Setiap neuron output mempunyai bobot untuk masing-masing neuron
input. Setiap input yang diberikan dihitung jarak Euclidean dengan setiap neuron output, kemudian dicari neuron output yang mempunyai jarak minimum. Neuron yang
mempunyai jarak yang paling kecil disebut neuron pemenang atau neuron yang paling
sesuai denga input yang diberikan.
3.2.3 Analisis Self-Organizing Feature Maps
Analisis Self-Organizing Feature Maps dilakukan untuk mendapatkan jaringan syaraf tiruan Self-Organizing Feature Maps dengan performa terbaik untuk mendeteksi
penyakit pada ayam. Pada analisis jaringan syaraf tiruan Self-Organizing Feature Maps dilihat hasil pengelompokan yang dihasilkan dari proses pelatihan jaringan
syaraf tiruan. Pelatihan jaringan sayraf tiruan dilakukan dengan menggunakan data dari 16 jenis penyakit, dimana setiap jenis penyakit terdiri dari tiga jenis ciri penyakit.
Banyak variabel yang akan digunakan untuk pengelompokan adalah 60 variabel. Sehingga masukan berupa 60 variabel dari 48 jenis ciri dan gejala penyakit yang akan
dikelompokkan menjadi 16 kelas. Pada proses pelatihan pertama digunakan satu jaringan syaraf tiruan Self-
Organizing Feature Maps, data hasil pengelompokan yang didapat adalah sebagai berikut:
Ac= [5 15 2 10 4 7 2 16 14 1 9 12 9 8 5 6] Dari pelatihan hingga 200.000 epoch masih terdapat beberapa hasil
pengelompokan yang sama, sehingga dapat disimpulkan performa jaringan syaraf tiruan belum maksimal.
Universitas Sumatera Utara
28 Pada proses pelatihan kedua digunakan enam jaringan syaraf tiruan Self-
Organizing Feature Maps, dimana data masukan dari setiap jaringan syaraf tiruan Self-Organizing Feature Maps adalah 10 variabel dari 48 jenis ciri dan gejala
penyakit. Pelatihan mencapai hasil maksimal pada epoch ke-100. Data hasil pengelompokan yang didapat adalah sebagai berikut:
Ac= [11 8 5 5 16 9 13 8 5 5 16 9
11 8 5 5 16 9 1 16 5 5 16 9
1 15 5 5 16 9 1 16 5 5 16 9
16 1 1 5 16 9 3 4 1 5 16 9
16 3 5 5 16 9 7 12 15 5 7 9
9 12 16 5 16 9 7 8 14 5 7 9
12 8 11 1 16 9 16 8 9 5 16 9
9 8 11 5 16 9 9 8 5 9 16 9
9 8 5 9 16 9 9 8 5 8 16 9
16 3 5 11 16 9 16 3 5 11 16 9
16 4 5 11 16 9 1 16 5 11 16 9
1 15 5 11 16 9 1 14 5 5 16 9
Universitas Sumatera Utara
29 3 2 5 5 16 9
3 6 5 5 16 9 3 6 5 5 16 9
13 2 9 16 11 9 9 2 5 5 11 9
13 6 9 2 10 9 9 4 5 5 3 9
3 4 5 5 7 9 9 8 5 5 4 9
14 10 5 5 1 9 14 8 5 5 13 9
14 8 5 5 2 9 3 8 5 16 2 12
3 8 5 16 7 12 3 8 5 13 7 9
3 8 5 13 16 1 3 8 5 5 16 2
3 8 5 5 16 3 16 12 5 13 16 6
16 12 5 13 16 9 16 12 5 5 16 6
3 8 5 5 16 16 3 8 5 5 16 16
3 8 5 5 16 14]
Pada proses pelatihan ketiga digunakan empat jaringan syaraf tiruan Self- Organizing Feature Maps, dimana data masukan dari setiap jaringan syaraf tiruan
Self-Organizing Feature Maps adalah 15 variable dari 48 jenis ciri dan gejala
Universitas Sumatera Utara
30 penyakit. Pelatihan mencapai hasil maksimal pada epoch ke-100. Data hasil
pengelompokan yang didapat adalah sebagai berikut: Ac= [5 6 9 8
6 6 9 8 5 6 9 8
16 10 9 8 15 10 9 8
16 10 9 8 3 16 9 8
12 15 9 8 3 16 9 8
14 2 16 8 7 3 9 8
7 2 16 8 5 1 7 8
3 4 9 8 8 1 9 8
8 6 5 8 8 6 5 8
8 6 4 8 3 16 1 8
3 16 1 8 3 14 1 8
16 8 2 8 14 8 2 8
15 8 9 8 12 11 9 8
10 13 9 8 10 11 9 8
Universitas Sumatera Utara
31 6 13 12 8
7 13 12 8 6 13 12 8
8 14 16 13 10 14 16 8
8 6 16 10 1 6 16 14
1 6 9 14 1 6 16 13
10 6 14 12 10 6 14 11
10 6 14 8 10 6 11 5
10 6 9 6 10 6 9 4
3 6 11 1 3 6 11 8
3 6 9 1 10 6 9 16
10 6 9 16 10 6 9 16]
Setelah dilakukan proses pengujian dibandingkan keakuratan hasil pengenalan. Dimana keakuratan hasil deteksi untuk data yang dilatih pada jaringan syaraf tiruan
yang terdiri dari empat Self-Organizing Feature Maps lebih akurat dibandingkan dengan untuk data yang dilatih pada jaringan syaraf tiruan yang terdiri dari enam Self-
Organizing Feature Maps, sehingga sistem ini digunakan pelatihan dengan empat jaringan syaraf tiruan Self-Organizing Feature Maps.
Dimana perbandingan pelatihannya dapat dilihat sebagai berikut :
Universitas Sumatera Utara
32 Pelatihan dengan 6 JST yaitu 1 JST ada 10 ciri dan gejala penyakit dari ciri
yang pertama sampai ciri yang ke 10. Begitu juga dengan JST 2 dari 10 ciri dan gejala penyakit yaitu ciri yang ke 11 sampai ciri yang ke 20 dan sampai JST yang ke-6 ada
masing-masing 10 ciri dan gejala penyakit. Pelatihan dengan 4 JST yaitu 1 JST ada 15 ciri dan gejala penyakit dari ciri
yang pertama sampai ciri yang ke 15. Begitu juga dengan JST 2 dari 15 ciri dan gejala penyakit yaitu ciri yang ke 16 sampai ciri yang ke 30 dan sampai JST yang ke-6 ada
masing-masing 15 ciri dan gejala penyakit. Perbandingan antara 6 JST dengan 4 JST yaitu pada inputan dalam melakukan
proses pengujian. Dimana 6 JST sebagai inputannya yaitu semua ciri dan gejala penyakit yang bernilai satu pada satu jenis penyakit sedangkan 4 JST tidak semua ciri
dan gejala penyakit yang bernilai satu pada satu jenis penyakit yang menjadi inputan.
Contoh : 1.
Penyakit Marek Disease pada 6 JST Ciri dan gejala penyakit yang bernilai satu yaitu Lumpuh, Pembesaran Syaraf,
Diare, Sesak Nafas, Bulu Melebar, Mata Terlihat Kelabu, Pupil Menyempit. Maka semua ciri dan gejala penyakit inilah yang sebagai inputannya sehingga
dapat menghasilkan output yang benar.
2. Penyakit Marek Disease pada 4 JST
Ciri dan gejala penyakit yang bernilai satu yaitu Lumpuh, Pembesaran Syaraf, Diare, Sesak Nafas, Bulu Melebar, Mata Terlihat Kelabu, Pupil Menyempit.
Dimana, salah satu diantara ciri dan gejala penyakit ini juga dapat menghasilkan output yaitu berupa satu jenis penyakit. Misalnya : Pembesaran
Syaraf, Diare, Lumpuh maka output yaitu jenis penyakit Marek Disease.
3.3 Perancangan Sistem