Terakreditasi SINTA Peringkat 2 Surat Keputusan Dirjen Penguatan Riset dan Pengembangan Ristek Dikti No.
10/E/KPT/2019
masa berlaku mulai Vol.
1 No.
1 tahun 2017 s.
d Vol.
5 No.
3 tahun 2021 Terbit online pada laman web jurnal: http://jurnal.
JURNAL RESTI
(Rekayasa Sistem dan Teknologi Informas.
Vol.
4 No.
180 - 186
ISSN Media Elektronik: 2580-0760 Implementasi Metode Perceptron Untuk Pengenalan Pola Jenis-Jenis Cacing Nematoda Usus Erni Rouza1.
Jufri2.
Luth Fimawahib3
1,2,3
Teknik Informatika.
Fakultas Ilmu Komputer.
Universitas Pasir Pengaraian ernirouzait@gmail.
com, 2jufrirokan@gmail.
com, 3luthfimawahib@gmail.
Abstract The purpose of pattern recognition is do the process of classifying an object into one particular class based on the pattern it has, so it can be used to recognize patterns of intestinal nematode worm types.
One of the methods used in pattern recognition is by utilizing the artificial neural network method, the artificial neural network is able to represent a complex Input-Output relationship.
For that the algorithm used is the perceptron algorithm.
Perceptron is one method of Artificial Neural Networks.
In the introduction of types of intestinal nematode worms, a computer must be trained in advance using training data and test data, this study discusses how a computer can recognize a pattern of types of intestinal nematode worms using the perceptron method.
Based on the results of testing trials with input in the form of worm image scan results, based on the results of the perceptron method testing is able to recognize the pattern recognition of the types of intestinal nematode worms and be able to analyze with the right results of 100% for pinworms patterns, hookworm patterns, and 40- 50% for roundworms, by comparing the output value and the target value entered first.
Keywords: Worms.
Artificial Neural Network.
Intestinal Nematodes.
Pattern Recognition.
Perceptron Abstrak Pengenalan pola bertujuan untuk melakukan proses klasifikasi suatu objek kedalam salah satu kelas tertentu berdasarkan pola yang dimilikinya, sehingga dapat digunakan untuk mengenali pola jenis cacing nematoda usus.
Metode yang digunakan dalam pengenalan pola salah satunya, yaitu dengan memanfaatkan metode jaringan syaraf tiruan, jaringan syaraf tiruan mampu mewakili hubungan Input-Output yang komplek.
Untuk itu algoritma yang digunakan adalah algoritma perceptron.
Perceptron merupakan salah satu metode dari Jaringan Syaraf Tiruan.
Di dalam pengenalan jenis-jenis cacing nematoda usus, sebuah komputer harus dilatih terlebih dahulu dengan menggunakan data latih dan data uji, penelitian ini membahas bagaimana sebuah komputer bisa mengenali sebuah pola jenis-jenis cacing nematoda usus menggunakan metode perceptron.
Berdasarkan hasil uji coba testing dengan inputan berupa hasil scan gambar cacing, berdasarkan hasil pengujian metode perceptron mampu mengenali pengenalan pola jenis-jenis cacing nematoda usus dan mampu menganalisa dengan hasil yang tepat sebesar 100% untuk pola cacing Kremi, pola cacing Tambang, serta 40-50% untuk cacing Gelang, dengan membandingkan nilai hasil output dan nilai target yang telah dimasukkan terlebih dahulu.
Kata kunci: Cacing.
Jaringan Syaraf Tiruan.
Nematoda Usus.
Pengenalan Pola.
Perceptron A 2020 Jurnal RESTI Nematoda usus adalah salah satu jenis cacing parasit yang paling sering ditemukan pada tubuh manusia.
Halminth berarti cacing, baik yang hidup secara parasit Infeksi yang disebabkan oleh cacing dinamakan dengan maupun yang hidup bebas.
Cacing masih banyak Cacingan atau kecacingan adalah penyakit menyebabkan masalah pada hewan dan manusia.
Maka yang disebabkan karena masuknya parasit .
erupa dari itu diperlukan suatu edukasi untuk mengenal jenisAe cacin.
kedalam tubuh manusia .
jenis cacing yang ada pada usus .
Pendahuluan Diterima Redaksi : 01-02-2020 | Selesai Revisi : 17-02-2020 | Diterbitkan Online : 20-02-2020 Erni Rouza.
Jufri .
Luth Fimawahib Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol .
4 No.
180 Ae 186 AnakAeanak rentan mengalami cacingan dari makanan Tahapan-tahapan penelitian yang dilakukan dimulai serta minuman yang tidak higienis dan tidak dimasak dari proses mengidentifikasi masalah yang berkaitan dengan cara yang benar seperti tidak matang seutuhnya.
langsung dengan ketertarikan peneliti dengan cacing Oleh karena itu, penting bagi orang tua untuk menjaga Nematoda Usus.
Pada tahap ini dipilah dan dipilih kebersihan makanan dan lingkungan pada anak.
mana yang masuk dalam ranah permasalahan dan mana yang tidak.
Kemudian melakukan pengumpulan data.
Cacing usus yang banyak ditemukan adalah soil perumusan masalah, menganalisa data sistem, transmitted helminthes .
acing yang ditularkan melalui menerapkan metode hingga penarikan kesimpulan, tana.
yaitu ascaris lumbricoides, trichuris trichiura semuanya dilakukan dengan teratur dan sistematis.
dan cacing tambang .
Soil transmitted helminth adalah nematoda usus yang siklus hidupnya membutuhkan tanah untuk proses pematangan sehingga terjadi perubahan dari stadium non infeksi menjadistadium infeksi.
Kelompok Ascaris Trichuris menimbulkan trichuriasis, cacing tambang .
da dua spesies, yaitu Necator americanus menimbulkan necatoriasis.
Ancylostoma duodenale menimbulkan Strongyloides menimbulkan strongyloidosis atau strongyloidiasis.
Penentuan jenis-jenis cacing masih menjadi hal yang sulit, terutama untuk media pembelajaran di dunia Informasi yang salah dalam penentuan jenis cacing tentu berdampak pada informasi yang tidak Oleh karena itu perlu dirancang sebuah sistem yang mampu mengenal jenis-jenis cacing agar informasi yang dihasilkan tersebut benar.
Salah satu metode yang bisa digunakan untuk pengenalan jenis-jenis cacing adalah perceptron.
Metode perceptron merupakan bentuk jaringan syaraf yang digunakan untuk mengklasifikasikan suatu pola tertentu yang sering dikenal dengan pemisahan secara linear .
Metode Perceptron pada Jaringan Syaraf Tiruan (Artificial Neural Network.
adalah salah satu cabang ilmu dari bidang ilmu kecerdasan buatan.
Metode Perceptron adalah metode pembelajaran dengan pengawasan dalam sistem jaringan syaraf .
Mengidentifikasi Masalah Pengumpulan Data Perumusan Masalah Pengumpulan Data Analisa Sistem Analisa Metode Perceptron Analisa Fungsi Sisten Perancangan Sistem Implementasi Sistem Pengujian Kesimpulan dan Saran Gambar 1.
Kerangka Penelitian 2 State Of The Art Metode perceptron diharapkan dapat memudahkan dalam pengenalan jenis-jenis cacing nematode usus.
Data penelitian sebelumnya dapat dijadikan sebagai sehingga dapat dengan cepat mengetahui jenis cacing analisa pendalaman metode dan dapat memperkaya penelitian, pada penelitian ini disertakan penelitian nematoda usus.
sebelumnya terkait penerapan metode percetron yaitu.
Metode Penelitian Au Analisis Jaringan Saraf Tiruan Model Perceptron Pada bagian ini akan dijelaskan metode yang dilakukan PadaPengenalan Pola Pulau di IndonesiaAy yang diteliti peneliti dalam menentukan jenis-jenis cacing Nematoda oleh Muhammad Ulinnuha Musthofa dan kawanUsus menggunakan jaringan syaraf tiruan dengan kawan.
Peneliti menggunakan analisa sistem berdasarkan nilai alpha () dan threshold () pada metode Perceptron.
setiap pola masukan dan menghasilkan tingkat akurasi 1 Kerangka Penelitian yang sama .
Penelitian ini dilakukan dengan melaksanakan tahapan Penelitian lainnya yaitu tentang Au Pengenalan Pola demi tahapan yang saling berhubungan.
TahapanAe Bahan Terkorosi Menggunakan Metoda Pembelajaran tahapan tersebut digambarkan dengan kerangka Perceptron pada Sistim Jaringan Syaraf Au yang diteliti penelitian pada gambar 1.
oleh Mike Susmikanti.
Penelitian ini menggunakan perceptron untuk mengenali pola mikrostruktur bahan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol .
4 No.
180 Ae 186 Erni Rouza.
Jufri .
Luth Fimawahib Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol .
4 No.
180 Ae 186 terkorosi dan tidak terkorosi, hasil yang diperoleh citra/gambar dilakukan secara digital menggunakan berdasarkan pembelajaran, pelatihan dan simulasi komputer .
cukup baik dan hasil sesuai .
Secara matematis, citra merupakan fungsi kontinyu Penelitian mengenai jenis-jenis cacing dengan .
dengan intensitas cahaya pada bidang dua kolaborasi metode jaringan syaraf tiruan dengan judul Au dumensi.
Agar dapat diolah dengan komputer digital.
Prediksi Jenis Cacing Nematoda Usus Yang maka suatu citra harus dipresentasikan secara numeric Menginfeksi Siswa Dengan Menggunakan Metoda dengan nilai-nilai diskrit.
Repersentasi dari fungsi LVQAy oleh Erni Rouza.
Kesimpulan pada penelitian ini kontinyu menjadi nilai-nilai diskrit disebut digitalisasi setelah dilakukan proses prediksi menyatakan bahwa citra tingkat akurasi sesuai dengan hasil sebenarnya serta 5 Perceptron nilainya konstan, proses cepat hanya membutuhkan waktu paling lama tiga menit dan memberikan hasil Metode perceptron merupakan salah satu metode JST yang optimal yaitu tingkat akurasi data latih sebesar (Jaringan Syaraf Tirua.
training sederhana yang 78,6885%, serta 80% untuk data uji, sehingga dapat dipakaikan prosedur algoritma training pertama kali, diseimpulkan metode LVQ mampu memprediksi jeis terdiri dari neuron tunggal dengan bobot synaptic yang cacing yang meginfeksi siswa .
diatur menggunakan fungsi aktifasi hard limit .
Selanjutnya penelitian lainnya yaitu berjudul Au Perceptron dilatih dengan menggunakan sekumpulan Pemanfaatan Neural Network Perceptron Pada pola yang diberikan kepadanya secara berulang-ulang Pengenalan Pola KarakterAy yang diteliti oleh Kukuh selama latihan.
Setiap pola yang diberikan merupakan Yudhistiro.
Hasil dari penelitiannya yaitu perceptron sepasang pola masukan dan pola yang diinginkan dapat mengenali pola huruf A dengan 3 epoch dimana sebagai target.
Perceptron melakukan penjumlahan target pola .
/f.
) sama dengan target yang terhadap tiap-tiap masukannya dan menggunakan diinginkan .
Algoritma perceptron tersebut juga fungsi ambang untuk menghitung keluarannya.
dapat digunakan untuk pengenalan pola karakter lain Perceptron digunakan untuk mengklasifikasikan suatu .
tipe pola tertentu yang sering dikenal dengan Penelitian yang berjudul AuAplikasi Jaringan Saraf pemisahan secara linear.
Algoritma yang digunakan Tiruan Metode Perceptron Pada Pengenalan Pola mengatur parameterAeparameter bebasnya melalui NotasiAy yang diteliti oleh Muhamad Arifin dan kawan- proses pembelajaran .
Hasilnya adalah metode perceptron dapat digunakan untuk penentuan pengenalan pola notasi pola notasi penjumlahan ( ), pengurangan (-), perkalian .
, pembagian (/), dan sama dengan (=) .
3 Pengenalan Pola Pengenalan pola merupakan disiplin ilmu yang bertujuan untuk klasifikasi objek kedalaman sejumlah kategori atau kelas.
Adapun objekAeobjek tersebut adalah citra, gelombang sinyal, database, atau segala jenis ukuran yang lain yang perlu diklasifikasikan .
Tahapan-tahapan untuk melakukan pengenalan pola pada penelitian ini terdiri dari persiapan pengolahan, ekstraksi ciri atau gambar, dan mengklasifikasi hasil.
Gambar 2.
Arsitektur Perceptron Sederhana Tahapan menerapkan salah satu metode pendekatan yang juga Keterangan :
dapat digunakan untuk sistem pengenalan pola dengan = neuron input menggunakan metode Jaringan Syaraf Tiruan (JST) X1.
Xi.
yaitu perceptron.
= neuron output 4 Pengolahan Citra Digital = bias Pengolahan citra digital (Digital image processin.
W1.
Wi.
Wn = bobot adalah sebuah disiplin ilmu yang mempelajari tentang teknikAeteknik pengolahan citra.
Citra yang dimaksud Jika error tidak terjadi maka bobot-bobot tersebut tidak disini adalah gambar diam .
maupun gambar akan diubah tetapi sebaliknya jika suatu error terjadi bergerak .
ang berasal dari webca.
Sedangkan untuk pola input pelatihan tersebut, bobot-bobot akan digital disini mempunyai maksud bahwa pengolahan diubah menurut rumus 1.
( ne.
= ( old ) t .
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol .
4 No.
180 Ae 186 Erni Rouza.
Jufri .
Luth Fimawahib Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol .
4 No.
180 Ae 186 Keterangan :
1 Pengolahan Data = Input ke-i Pada penelitian ini, data gambar cacing nematoda usus = Target yang nilainya 1 atau -1 yang digunakan untuk proses pembelajaran dan = Kecepatan belajar ( leraning rate ) pengujian untuk mengenal pola jenis cacing menggunakan data gambar cacing sebanyak 12 gambar.
= Bobot Kemudian gambar cacing tersebut diinisialisasikan kedalam bentuk variabel-variabel X1,A.
Xn dan dimana Jika error tidak terjadi, maka bobot-bobot tidak akan data variabel tersebut akan menjadi data input pada sistem aplikasi yang akan dirancang dan dibangun Algoritma perceptron yang digunakan mempunyai dengan memberikan nilai target 1 jika pola masukan susunan sebagai berikut:
menyerupai jenis cacing dan nilai target -1 jika tidak Langkah 1 : a.
Inisialisasi bobot dan bias .
gar menyerupai pola jenis cacing tersebut.
Data variabel sederhana bobot dan bias mula- inputan dapat dilihat pada tabel 1.
mula dibuat = .
Tabel 1.
Inisialisasi Pola Cacing Nematode Usus Dalam Variabel Xn Tentukan learning rate dengan nilai Untuk menyederhanaan, diberi nilai = 1.
Langkah 2 : Selama ada elemen vector masukan yang respon unit keluarannya tidak sama dengan target, lakukan :
Langkah 3 Set aktivasi unit masukan = 1,AA.
,n ) Hitung respon unit keluaran :
net = Oc .
= y = f.
= { .
: Perbaiki bobot pola yang mengandung kesalahan ( y t ) menurut persamaan ( baru ) = ( lama ) i=1,AA.
dengan = t b( baru ) = b( lama ) = t .
Hasil dan Pembahasan Hasil yang telah dicapai selama penelitian ini rata-rata berkisar 100% meskipun ada beberapa pengujian yang tidak mencapai 100%.
Proses pengujian dilakukan dengan cara menginputkan gambar cacing Nematoda Usus ke dalam sistem yang telah dibangun.
Selanjutnya sistem akan memproses gambar tersebut dan menampilkan pola serta masuk dalam kategori jenis cacing apa.
Sistem juga akan menampilkan persentasi kecocokan antara gambar yang diinput dengan pengetahuan yang telah dimiliki oleh system.
Sebelum data inputan diproses ada beberapa langkah yang harus dilalui yaitu proses pengolahan data kedalam bentuk nilai ataupun kelas dari masing-masing data jenis cacing nematoda usus, menginisialisasi variabel jenis-jenis cacing Nematoda Usus dan menormalisasi data.
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol .
4 No.
180 Ae 186 Erni Rouza.
Jufri .
Luth Fimawahib Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol .
4 No.
180 Ae 186 Sedangkan untuk penetapan data target ataupun hasil Setelah normalisasi data selesai maka langkah keluaran dibagi menjadi tiga kelas, dan masing-masing selanjutnya adalah proses konversi pola dari gambar kelas mempunyai nilai seperti yang terlihat pada tabel cacing nematoda usus kedalam bentuk biner, dengan menggunakan matrik 8 X 8.
Jika Komponen vector pada matrik bernilai 1, menandakan bahwa kotak yang Tabel 2.
Output Yang Diharapkan diwakilinya berwarna hitam, sedangkan vektor bernilai Satuan Nilai Keterangan -1 menandakan kotak yang diwakilinya berwarna putih.
Enterobius Vermicularis .
acing Cacing Tambang Ascaris Lumbricoides .
acing gelan.
Setelah memetakan data inputan dan data keluaran, langkah selanjutnya yaitu mendesain arsitektur jaringan perceptron yang digunakan untuk pengenalan pola Gambar 4.
Pola Variabel X1 Dengan Matrik 8 X 8 jenis-jenis cacing nematoda usus, yang dapat dilihat 3 Proses Training pada gambar 3 Pada proses training input program ini merupakan vektor dengan 16 komponen yang mempresentasikan pola karakter 2 dimensi .
Selain itu data yang harus diinputkan berupa nilai parameter alpha, threshold dan eror.
Dan proses ini nantinya akan menghasilkan sejumlah nilai bobot dan bias yang sesuai dengan pola data training yang tersimpan pada Adapun proses training perhitungan manual untuk data ke-1 (Pola Variabel X.
adalah sebagai berikut:
Training data ke-1 Menuliskan dan memberikan nilai bobot awal untuk:
w1 =0 w2 =0 Alfa () dan ) = 0,8 Threshold ()) = 0,5 Gambar 3.
Arsitektur Jaringan Perceptron Untuk Pengenalan Jenis- Target = 1 Jenis Cacing Nematoda Usus Epoh ke-1 Data ke-1 Pada gambar 3 arsitektur perceptron ini, terdiri dari 12 Respon unit keluaran:
variabel lapisan input yang akan digunakan untuk data y_in = b i Xi Wi .
= 1 sampai .
latih maupun untuk data uji, sedangkan w1,w2 dan w3
= 0 0 0
merupakan bobot, dan y1,y2 dan y3 adalah keluaran atau Hasil aktivasi = 0 (-0,5 < y_in <0,.
Target = 1 2 Normalisasi Data Bobot baru:
Pada penelitian ini parameter yang digunakan untuk w1 = wi.
) dan * t * xi pembelajaran menggunakan maksimal epoch .
, = 0 0,8 * 1 * 1 learning rate () dan dan error minimum.
Untuk = 0,8 menyesuaikan data latih .
dan data uji .
Bobot bias baru:
sebelum masuk pada proses pelatihan, maka data = bi.
) dan * t tersebut dinormalisasikan terlebih dahulu, seperti yang = 0 0,8*1 terlihat pada tabel 1, setiap variabel akan diberi nilai 1
= 0,8
dimana nilai 1 untuk variabel yang menyerupai pola cacing sedangkan nilai -1 untuk variabel yang tidak Sehingga diperoleh jarak terkecil dari pengujian menyerupai pola cacing nematode usus.
tersebut ada pada bobot ke-1, sehingga data masukan tersebut termasuk ke dalam kelas 1, yaitu kelas Enterobius Vermicularis .
acing krem.
karena Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol .
4 No.
180 Ae 186 Erni Rouza.
Jufri .
Luth Fimawahib Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol .
4 No.
180 Ae 186 posisi nilai jarak terkecilnya terdapat pada bobot ke -1 dan sesuai dengan target yang diharapkan.
4 Pengujian Sistem Pada tahap proses testing akan dilakukan proses pengenalan pola, pengujian dilakukan dengan 3 pola jenis-jenis cacing nematode usus.
Pengujian menggunakan Visual Studio 2010.
Tampilan pada gambar 5 merupakan salah satu contoh dari aplikasi yang telah dibagun, pada gambar 5 ini memiliki beberapa fungsi yaitu : tombol tambah gambar berfungsi untuk memasukkan gambar, tombol proses pencocokan berfungsi untuk mencocokkan pola sesuai pada gambar 5.
Gambar 7.
Input Gambar User (Cacing Tamban.
Setelah gambar dimasukkan kedalam program dengan menekan tombol tambah gambar kemudian akan dilanjutkan dengan proses pencocokan pola seperti pada gambar 8.
Gambar 5.
Proses Memasukkan Gambar ke Sistem Setelah gambar diinputkan pada kolom yang tersedia, maka selanjutnya yaitu proses pencocokan dapat dilihat pada gambar 6.
Gambar 8.
Proses Pencocokan Cacing Tambang Dengan cara yang sama, proses pencocokan dilakukan kepada jenis-jenis cacing nematoda usus lainnya seperti yang terlihat pada tabel 10.
Gambar 6.
Proses Pencocokan Pola Cacing Kremi Dari hasil pengujian sistem yang dilakukan, nilai Pada proses pencocokan untuk pola cacing kremi, maka akurasi gambar dipengaruhi oleh goresan pola pada saat dapat dilihat presentasi kecocokannya yaitu mencapai penulisan pola cacing dan pola tersebut akan Kemudian pengujian untuk pola cacing disesuaikan dengan data testing.
Tambang dengan VB.
2010 terdapat pada gambar 7 dan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol .
4 No.
180 Ae 186 Erni Rouza.
Jufri .
Luth Fimawahib Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol .
4 No.
180 Ae 186 Tabel 2.
Hasil Pengujian Identifikasi Jenis Cacing Nematoda Usus Inputan Gambar Output Pola Jenis Cacing Presentasi Kecocokan .
%) Cacing Kremi Cacing Tambang
Cacing Gelang
40-50%
Cacing Kremi Kesimpulan Berdasarkan pengujian sistem menggunakan metode perceptron pada pengenalan jenis-jenis cacing nematoda usus didapat kesimpulan sebagai berikut:
Metode perceptron mampu mengenali pengenalan pola jenis-jenis cacing nematoda usus dan mampu menganalisa dengan hasil yang tepat dengan membandingkan nilai hasil output dan nilai target yang telah dimasukkan terlebih dahulu.
Hasil output dari pengujian sistem adalah berupa pola perjenis-jenis cacing tersebut yang telah di scan sebelumnya.
Dari hasil pengujian sistem yang dilakukan, nilai akurasi gambar dipengaruhi oleh goresan pola pada scan gambar pola cacing dan pola tersebut akan disesuaikan dengan data testing Metode perceptron melakukan pembelajaran dengan melalui beberapa epoch mulai dari epoch pertama sampai mendapatkan nilai output yang sama dengan nilai target yang telah ditentukan.
Daftar Rujukan .
] Rouza.
, 2017.
Prediksi Jenis Cacing Nematoda Usus Yang Menginfeksi Siswa Dengan Menggunakan Metoda LVQ.
Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, 8.
, https://doi.
org/10.
31849/digitalzone.
] Faridan.
Marlinae.
and Audhah.
, 2013.
Faktorfaktor yang berhubungan dengan kejadian kecacingan pada siswa Sekolah Dasar Negeri Cempaka 1 Kota Banjarbaru.
Jurnal Epidemiologi dan Penyakit Bersumber Binatang, 4.
] Tangel.
Tuda.
and Pijoh.
, 2016.
Infeksi parasit usus pada anak sekolah dasar di pesisir pantai Kecamatan Wori Kabupaten Minahasa Utara.
eBiomedik, 4.
] Kusuma.
, 2011.
Analis Perbandingan Pengenalan Tanda Tangan dengan Menggunakan Metode Perceptron dan Backpropagation.
Skripsi.
Jurusan Teknik Informatika.
Fakultas Sains Dan Teknologi.
Universitas Islam Negeri Syarif Hidayatullah.
Jakarta .
] Yanto.
Sovia.
and Mandala.
, 2018.
Jaringan syaraf tiruan perceptron untuk penentuan pola sistem irigasi lahan pertanian di Kabupaten Pesisir Selatan Sumatra Barat.
Sebatik, 22.
, pp.
] Musthofa.
Umma.
and Handayani.
, 2017.
Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia.
Jurnal Ilmiah Teknologi Informasi Asia, 11.
, pp.
] Susmikanti.
, 2007.
Pengenalan Pola Bahan Terkorosi Menggunakan Metoda Pembelajaran Perceptron pada Sistim Jaringan Syaraf.
In Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 16 Juni 2007.
Yogyakarta .
] Yudhistiro.
, 2017.
Pemanfaatan Neural Network Perceptron pada Pengenalan Pola Karakter.
SMATIKA JURNAL, 7.
] Arifin.
Asfani.
and Handayani.
, 2018.
Aplikasi Jaringan Saraf Tiruan Metode Perceptron Pada Pengenalan Pola Notasi.
Simetris: Jurnal Teknik Mesin.
Elektro dan Ilmu Komputer, 9.
, pp.
] Sitorus.
, 2015.
Perancangan Aplikasi Pengenalan Pola Huruf Aksara Batak Toba Menerapkan Metode Direction Feature Extraction (DFE).
JURIKOM (Jurnal Riset Kompute.
, 2.
] Kusumanto.
and Tompunu.
, 2011.
pengolahan citra digital untuk mendeteksi obyek menggunakan pengolahan warna model normalisasi RGB.
Semantik, 1.
] Veronica.
, 2014.
Perbandingan Metode Fuzzy dan Metode Perceptron untuk Mengecek Status Gizi pada Anak.
Ultimatics:
Jurnal Teknik Informatika, 6.
, pp.
] Kusumaningtyas.
and Asmara.
, 2016.
Identifikasi Kematangan Buah Tomat Berdasarkan Warna Menggunakan Metode Jaringan Syaraf Tiruan (JST).
Jurnal Informatika Polinema, 2.
, pp.
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
Vol .
4 No.
180 Ae 186