APLIKASI DIAGNOSA PENYAKIT FELINE CALICIVIRUS PADA KUCING MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION 2 (LVQ2) BERBASIS WEB

HIDAYAT, MULKI ROSYADI and Sutikno, Sutikno (2017) APLIKASI DIAGNOSA PENYAKIT FELINE CALICIVIRUS PADA KUCING MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION 2 (LVQ2) BERBASIS WEB. Undergraduate thesis, Universitas Diponegoro.

[img]
Preview
PDF
Available under License Creative Commons Attribution Non-commercial Share Alike.

1172Kb

Abstract

Kucing merupakan hewan yang sering dipelihara oleh manusia. Permasalahan yang muncul yaitu adanya penyakit yang mengganggu kesehatan kucing, salah satunya adalah penyakit feline calicivirus. Aplikasi diagnosa penyakit feline calicivirus adalah salah satu usaha untuk mengetahui adanya penyakit feline calicivirus pada kucing. Pemilik kucing seringkali tidak menyadari gejala – gejala awal yang mengindikasikan bahwa kucing peliharaannya beresiko terkena penyakit feline calicivirus. Pemeriksaan kucing ke dokter hewan baru dilakukan setelah kucing mengalami keluhan yang cukup serius sehingga resiko kematian menjadi tinggi. Dalam penelitian tugas akhir ini, penulis mencoba membangun sebuah aplikasi diagnosa penyakit feline calicivirus menggunakan metode Learning Vector Quantization 2 (LVQ2) berbasis web. Variabel-variabel yang digunakan adalah mata berair, pendarahan hidung, sesak nafas, liur berlebihan, demam, radang lidah atau gusi, anorexia, muka bengkak, dan flu. Sedangkan bentuk keluaran terdiri dari 3 kelas berdasarkan faktor resiko yang digunakan yaitu feline calicivirus akut, feline calicivirus kronis, dan bukan feline calicivirus. Faktor resiko yang diambil berdasarkan data rekam medis dan hasil wawancara dengan salah satu dokter hewan di Klinik Hewan Griya Satwa Lestari. Data yang digunakan pada penelitian ini sebanyak 60 data. Pelatihan dan pengujian dilakukan dengan menggunakan K-Fold Cross Validation dengan nilai k = 10. Aplikasi ini menggunakan pilihan arsitektur jaringan terbaik berdasarkan hasil pengujian, yaitu dengan inisialisasi bobot awal secara random, learning rate (α) 0.09, error minimum (eps) 0.000001, nilai window (ε) 0.3, dan maksimum epoch sebanyak 1000 epoch dengan tingkat akurasi sebesar 93.33%.

Item Type:Thesis (Undergraduate)
Subjects:Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions:Faculty of Science and Mathematics > Department of Computer Science
ID Code:60744
Deposited By:INVALID USER
Deposited On:13 Feb 2018 10:04
Last Modified:13 Feb 2018 10:04

Repository Staff Only: item control page