Toto Haryanto
Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

Published : 4 Documents
Articles

Found 4 Documents
Search

Sistem Pakar Diagnosa Penyakit pada Ayam (SPDPPA)

Jurnal Ilmiah Ilmu Komputer Vol 5, No 1 (2007): Jurnal Ilmiah Ilmu Komputer
Publisher : Jurnal Ilmiah Ilmu Komputer

Show Abstract | Original Source | Check in Google Scholar

Abstract

Penelitian ini mendiskusikan mekanisme pendiagnosaan penyakit ayam yang dikembangkan dan diimplementasikan dalam suatu sistem pakar. Sistem pakar ini dinamakan Sistem Pakar Diagnosa Penyakit Pada Ayam (SPDPPA). Jenis penyakit yang dapat didiagnosa SPDPPA, yaitu Avian Influenza (AI), Newcastle Disease (ND) dan Infectious Laryngotracheitis (ILT). SPDPPA menggunakan fuzzy inference system (FIS) untuk memproses gejala klinis berupa data fuzzy, sedangkan gejala data non-fuzzy diproses dengan kaidah produksi atau aturan if–then. Keluaran dari SPDPPA adalah hasil identifikasi bahwa ayam terserang penyakit dengan tingkat kepercayaan tertentu. Berdasar verifikasi, hasil pengujian menunjukkan bahwa ayam yang terdiagnosa sementara mendukung ND, warna pialnya merah dengan suhu tubuh 430C–450C dan angka kematian 30 sampai 50 persen. Adapun untuk mendapatkan diagnosa sementara sangat mendukung ND, warna pialnya merah dengan suhu 430C–450C dan tingkat kematian 30–60 persen. Gejala non-fuzzy yang bersifat khas bagi penyakit ND adalah eksudat yang kental bening, kepala ayam yang berputar dan tinja yang berwarna hijau. Ayam yang terdiagnosa mendukung AI warna pialnya semakin memucat dengan suhu dan angka mati seperti pada penyakit ND. Di sisi lain, untuk mendiagnosa AI dengan tingkat sangat mendukung, kondisi warna pial sudah semakin membiru. Eksudat yang encer bening, perdarahan bawah kulit merupakan gejala non-fuzzy yang khas terlihat ketika ayam terkena Avian Influenza (AI). Pada pemeriksaan di lapangan baik gejala fuzzy maupun non-fuzzy dilakukan secara bersama-sama.

Pengenalan Genus Diatom Menggunakan Principal Component Analysis dan Jaringan Saraf Tiruan Propagasi Balik Sebagai Classifier

Jurnal Ilmu Komputer dan Agri-Informatika Vol 2, No 1 (2013)
Publisher : Departemen Ilmu Komputer IPB

Show Abstract | Original Source | Check in Google Scholar

Abstract

Diatom merupakan suatu mikroalga unisel (kadang berkoloni) yang mempunyai peranan penting dalam dunia riset dan penelitian. Identifikasi diatom merupakan pekerjaan yang rumit. Hal ini dikarenakan diatom memiliki ratusan taksa dengan banyak variasi bentuk dan karakteristik biologi yang menyebabkan proses identifikasinya tidak mudah bahkan bagi seorang pakar. Penelitian ini menerapkan Principal Component Analysis (PCA) untuk reduksi data dan Jaringan Saraf Tiruan (JST) untuk identifikasi diatom. Proporsi PCA yang digunakan ialah 80% dan 90%. JST yang digunakan adalah propagasi balik dengan satu hidden layer. Data yang dipakai pada penelitian ini adalah citra diatom berformat JPG yang diambil menggunakan mikroskop elektrik. Hasil penelitian menunjukkan bahwa generalisasi terbaik sebesar 90% diperoleh pada percobaan menggunakan proporsi PCA 90% dengan persentase data latih 80%.

Penggunaan Fitur Kimia Fisik dan Posisi Atom untuk Prediksi Struktur Sekunder Protein

JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 1, No 2 (2015): Volume 1, No 2
Publisher : Program Studi Informatika

Show Abstract | Original Source | Check in Google Scholar | Full PDF (415.104 KB)

Abstract

Prediksi struktur sekunder protein adalah salah satumasalah yang sudah lama dibahas dalam bidang bioinformatika.Berbagai metode telah diterapkan namun masalah akurasibelum mencapai hasil yang maksimal. Penelitian ini dilakukanuntuk membangun suatu model prediksi struktur sekunderprotein dengan menggunakan decision tree dengan fitur kimiafisik dan posisi atom. Penentuan setiap kelas dalam prosesklasifikasi struktur sekunder protein dalam penelitian iniberdasarkan pembelajaran terhadap pola masukan dalam prosespelatihan. Data diperoleh dari Protein Data Bank (PDB) padaalamat http://www.rcsb.org/. Sementara informasi struktursekunderproteindiperolehmelaluialamatwebsitehttp://swift.cmbi.ru.nl/gv/dssp/. Sejumlah 75809 alpha-helix (H),41785 untuk bheta-sheet (E), dan 80346 untuk coil (C) digunakansebagai data set pada penelitian ini. Pola masukan diperolehmelalui proses sliding window dari sekuen asam amino denganekstraksi fitur kimia fisik dan posisi atom. Model prediksidengan cross validation tanpa fitur posisi atom menghasilkannilai akurasi 90.49%, sedangkan untuk pengujian denganunknown data akurasinya menurun menjadi 51.29%. Akurasimenggunakan fitur posisi atom sebesar 90.17% dengan crossvalidation dan 50.83% jika diujikan pada unknown data.Kata Kunci— asam amino, decision tree, kimiafisik, prediksistruktur protein, posisi atom

Optimasi Parameter pada Fast Correlation Based Fiter Menggunakan Algoritme Genetika untuk Klasifikasi Metagenom

JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 4, No 2 (2018): Volume 4 No 2
Publisher : Program Studi Informatika

Show Abstract | Original Source | Check in Google Scholar

Abstract

Metagenome merupakan mikroorganisme yang diambil secara langsung dari alam. Proses sequencing genom dari metagenome mengakibatkan bercampurnya berbagai organisme. Hal ini menyebabkan kesulitan pada proses perakitan DNA. Oleh karena itu, dibutuhkan proses pemilahan yang disebut binning. Pada proses binning dengan pendekatan komposisi, teknik yang dilakukan adalah dengan supervised learning. Salah satu tahapan dalam supervised learning yaitu ekstraksi fitur, penelitian ini menggunakan metode ektraksi fitur n-mers. Besarnya parameter n pada metode ekstraksi fitur n-mers akan mengakibatkan dimensi fitur yang tinggi. Penelitian ini bertujuan untuk menerapkan algorime fast-correlation based filter (FCBF) untuk mereduksi dimensi fitur yang dihasilkan n-mers dan mengoptimasi parameter threshold pada fast-correlation based filter menggunakan algoritme genetika. Penelitian ini diuji menggunakan klasifikasi k-nearest neighbour. Performa terbaik diperoleh ketika n = 7 dan k = 3 dengan akurasi mencapai 99.41% dengan nilai threshold 0.67788. Dengan optimasi, waktu komputasi menjadi lebih efisien karena jumlah fitur sudah tereduksi.