PERBANDINGAN METODE JARINGAN SARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION DALAM DETEKSI HAMA PENGEREK BATANG

Studi Kasus: Kabupaten Seram Bagian Barat Provinsi Maluku

  • Safriyani Tomia Jurusan Matematika FMIPA Universitas Pattimura
  • Zeth A. Leleury
  • Salmon N. Aulele Jurusan Matematika FMIPA Universitas Pattimura
Keywords: Backpropagation, hama pengerek batang padi, jaringan saraf tiruan, learning vector quantization, MATLAB

Abstract

Jaringan saraf tiruan adalah pemrosesan sistem informasi pada karakteristik tertentu yang merupakan representatif buatan berdasarkan jaringan saraf manusia. Jaringan Saraf Tiruan (JST) telah banyak dikaji dalam berbagai bidang melalui pengenalan pola. Kemudian dengan memanfaatkan jaringan saraf tiruan LVQ dan Backpropagation dibuat sistem perbandingan deteksi dini hama pengerek batang padi dengan menggunakan Software MATLAB dengan melakukan pengujian. Dari hasil pengujian dengan menggunakan metode backpropagation diperoleh hasil akurasi 69,44% sedangkan untuk hasil pengujian metode LVQ diperoleh 80,56%. Dari hasil penelitian bahwa metode LVQ dianggap baik dalam mendeteksi hama pengerek batang padi.

Downloads

Download data is not yet available.

References

[1] V. Souisa, “ Aplikasi Jaringan Saraf Tiruan untuk Mendiagnosa Penyakit Saluran Pernapasan dengan Metode Learning Vector Quantization.,” 2016.
[2] J. Madiuw, “ Sistem Diagnosa Penyakit Dalam dengan Menggunakan Jaringan Saraf Tiruan Metode Backpropagation dan Learning Vector Quantization,” 2016.
[3] S. H. Hurasan, “Aplikasi Jaringan Saraf Tiruan Metode Backpropagation untuk Mendeteksi Hama Pengerek Batang dengan Mempertimbangkan Faktor Curah Hujan,Suhu,Kelembaban dan Kecepatan Angin.,” 2016.
[4] L. Fausset, “ Fundamentals of Neural Networks, Architectures, Algoritus, and Application,,” 1994.
Published
2018-04-30
How to Cite
[1]
S. Tomia, Z. Leleury, and S. Aulele, “PERBANDINGAN METODE JARINGAN SARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION DALAM DETEKSI HAMA PENGEREK BATANG”, BAREKENG, vol. 11, no. 1, pp. 13-26, Apr. 2018.

Most read articles by the same author(s)