Jurnal Pelita Informatika, Volume 6, Nomor 4, April 2018

ISSN 2301-9425 (Media Cetak)

Hal: 425-429

PENERAPAN ALGORITMA PERCEPTRON UNTUK MENDETEKSI

VIRUS PARVO PADA ANJING
Basa Daniel Hutapea, Garuda Ginting, Rivalri Kristianto Hondro

Teknik Informatika STMIK Budi Darma, Medan, Indonesia

Jalan Sisingamangaraja No. 338 Simpang Limun, Medan, Indonesia

ABSTRAK
Penyakit Virus Parvo merupakan salah satu penyakit viral yang cukup sering terjadi pada hewan kecil khususnya pada anjing.
Virus ini menular sangat cepat dan yang paling parah adalah menyerang saluran ususnya.Virus Parvo juga menyerang sel darah
putih dan jika sejak muda terinfeksi virus ini, maka virus akan menghancurkan otot jantung dan bisa menyebabkan masalah
jantung pada anjing seumur hidupnya.Virus Parvo sangat menular dan bahkan memerlukan kontak langsung. Virus ini
disebarkan oleh kecoa atau serangga kecil lainnya. Dengan Jaringan Saraf Tiruan menggunakan Algoritma perceptron akan
secara sistematis pengenalan gejala-gejala virusparvo. Perhitungan yang dilakukan dirancang untuk mendeteksi virus parvo
pada anjing. Pada epoch ke 4 hasil keluaran jaringan syaraf tiruan telah sama dengan target yang diinginkan dengan bobot =
0, 0, 1, -1, -3, 4 dan bias = -2.Dengan hasil niai 1 sebanyak tiga kali yang menyatakan bahwa ada gejala virus parvo yang
terdeteksi.

Kata Kunci: Jaringan Saraf Tiruan,Perceptron,Matlab

I. PENDAHULUAN otak manusia mengerjakan fungsi atau tugas-tugas

Penyakit Virus Parvo merupakan salah satu
penyakit viral yang cukup sering terjadi pada hewan
kecil khususnya pada anjing. Infeksi Virus Parvo
pertama kali ditemukan di Texas,Amerika Serikat pada
tahun 1977, barukemudian menyebar keseluruh
wilayah di dunia.Di Indonesia,infeksi Virus
Parvobanyak ditemukan pada anjing muda, walaupun
demikian penyakit ini dilaporkandapat menyerang
anjing pada semua umur.Dilaporkan bahwa 87% kasus
Virus Parvo tipe enteritis terjadi pada anak anjing di
bawah umur 6 bulan. Semakin tua umur anjing, maka
gejala klinis yang ditimbulkan tidak terlalu parah.
Virus ini menyerang dengan cepat dan yang
paling parah adalah menyerang saluran ususnya. Virus
ini menular sangat cepat. Virus Parvo juga menyerang
sel darah putih dan jika sejakmudaterinfeksi virus ini,
maka virus akan menghancurkan otot jantung dan bisa
menyebabkan masalah jantung pada anjing seumur
hidupnya.Virus Parvo sangat menular dan bahkan
memerlukan kontak langsung. Virus ini disebarkan
oleh kecoa atau serangga kecil lainnya.
Metode Perceptron ini cukup ampuh untuk
mengenali gejala –gejala fisik dengan menggunakan
pola khusus dan perhitungan matematis yang akan
dibuat untuk prosestesting. Selain itu jaringan syaraf
tiruan dengan algoritma perceptron dapat menciptakan
suatu pola pengetahuan melalui pengaturan dan
pembelajaran sehingga kemampuan ini dapat
mendeteksi penyakit virus parvo pada anjing.
II. TEORITIS
A. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) merupakan suatu
sistem pemrosesan informasi yang memiliki
karakteristik-karakteristik menyerupai jaringan syaraf
biologi (Fauset, 1994). Hal yang sama diutarakan oleh
Simon Haykin, yang menyatakan bahwa JST adalah
sebuah mesin yang dirancang untuk memodelkan cara
tertentu. Jaringan saraf tiruan dapat melakukan apa
yang dapat dilakukan leh komputer digital normal [1].
B. Algoritma Perceptron
Algoritma pelatihan perceptron dapat dituliskan
sebagai berikut:
1. Inisialisasi semua bobot dan bias (umumnya
wi=b=0) Tentukan laju pemahaman (= α). Untuk
penyederhanaan , biasanya α diberi nilai = 1
2. Selama ada elemen vektor masukan yang respon
unit keluarannya tidak sama dengan target, lakukan
:
Set aktivasi unit masukan 𝑥𝑖 = 𝑠𝑖 (i = 1,...,n)
Hitung respon unit keluaran : net =∑𝑖 𝑥𝑖𝑤𝑖 + 𝑏
1, jika y net >𝜃
Y = f (net) = 0, jika 𝜃 ≤ net≤ 𝜃
-1, jika net < - 𝜃
3. Perbaiki bobot pola yang mengandung Kesalahan
(y ≠ t) menurut persamaan:
𝑊𝑖 (baru) = 𝑊𝑖 (lama) + ∆ w (i =1,….,n)
dengan ∆ w = 𝛼 t 𝑥𝑖
b (baru) = b (lama) + ∆ b dengan ∆ b = 𝛼 t
C. Virus Parvo
Cara penularannya melalui sentuhan langsung
atau tidak langsung lewat benda-benda tercemar oleh
kotoran dan muntah. Gejala klinis Virus Parvo
Umumnya, anjing yang terserang penyakit ini akan
kehilangan nafsu makan dan disertai muntah-muntah.
Keesokan harinya, anjing mengalami diare. Fesesnya
berubah menjadi encer berwarna cokelat tua sampai
kemerahan dan berbau anyir. Hal tersebut akan
mengakibatkan anjing kehilangan cairan tubuh
sehingga kondisi tubuhnya menurun dan tidak mau
makan. [8]
425
 Jurnal Pelita Informatika, Volume 6, Nomor 4, April 2018
ISSN 2301-9425 (Media Cetak)
Hal: 425-429

1, jikay net >𝜃

Y = f (net) = 0, jika 𝜃 ≤ net≤ 𝜃
-1, jika net < - 𝜃
Perbaiki bobot pola yang mengandung Kesalahan
(y ≠ t) menurut persamaan:
𝑊𝑖 (baru) = 𝑊𝑖 (lama) + ∆ w (i =1,….,n)
dengan ∆ w = 𝛼 t 𝑥𝑖
b (baru) = b (lama) + ∆ b dengan ∆b = 𝛼 t
2. Learning Rate, α = 1.
Gambar 1. Anjing terdeteksi Virus Parvo [9] 3. Menggunakan Threshold (nilai ambang 𝜃) yan
ditentukan, 𝜃 =0,5.
III. ANALISA DAN PEMBAHASAN 4. Fungsi aktivasi digunakan untuk membandingkan
Anjing merupakan hewan peliharaan, banyak output dan target yang diinginkan.
orang memilih anjing sebagai penjaga rumah dan
sebagai teman bermain. Namun anjing sangat rentan A. Tahap Training
terserang penyakit. Penyakit yang sering terjadi ialah Untuk menganalisa gejala parvovirus pada anjing,
parvovirus yang sangat cepat reaksi penularannya maka data tersebut akan dilakukan proses pembelajaran
terhadap anjing yang berada di sekitar. Ciri-ciri umum (training) yang bertujuan untuk mengenali atau
pada parvovirus ialah Dehidrasi, Lemas,Nafsu makan mencari goal yang diharapkan dengan menggunakan
menurun, Diare dan Muntah. banyak pola. Pada proses pembelajaran, suatu input
dimasukkan ke jaringan, kemudian jaringan
1. Data yang dikumpulkan adalah berupa sekumpulan dibandingkan dengan target. Jika keluaran jaringan
ciri-ciri atau gejala,yaitu: tidak sama dengan target, maka perlu dilakukan
Gejala X1 :Nafsu Makan Menurun modifikasi bobot (b). Tujuan dari pelatihan ini adalah
Gejala X2 : Dehidrasi memodifikasi bobot hingga diperoleh bobot yang bisa
Gejala X3 : Lemas membuat keluaran (output) jaringan sama dengan
Gejala X4 : Muntah target (t) yang diinginkan. Adapun proses pelatihan
Gejala X5 : Diare Biasa yang dilakukan sebagai berikut:
Gejala X6 : Diare Berdarah
Epoch ke-1
Tabel 1. Data Pasien Anjing Data ke-1 (𝑥1 = 1;𝑥2 = 0;𝑥3 = 1; 𝑥4 = 1; 𝑥5 = 0; 𝑥6 = 1;
Naf Dehi Le Mu Dia Dia Target t = 1)
su drasi m ntah re re y_ in=∑𝑖 𝑥𝑖𝑤𝑖 + 𝑏
mak as Bia Ber = 1 (0) + 0 (0) + 1 (0) + 1 (0) + 0 (0) + 1 (0)+ 0
an sa dara =0
Me h
nur
un 1, jikay-in > 0,5
1 0 1 1 0 1 1 Fungsi aktivasi : y = 0, jika 0,5 ≤ y_in ≤ 0,5
0 1 1 1 0 1 1 -1, jika y_in < -0,5
0 0 1 1 1 0 -1 Hasil aktivasi y = 0, y ≠ t
1 1 0 1 0 1 1 (Tidak sama dengan target t = 1, maka harus dilakukan
0 1 1 0 1 0 -1 perubahan bobot dan bias)
1 0 0 1 0 0 -1 Perubahan bobot dan bias :
Target / Output : 𝑤1 (baru) = 𝑤1 (lama) + α * t * 𝑥1 = 0 + 1 * 1 * 1 = 1
Parvo virus = “1” 𝑤2 (baru) = 𝑤2 (lama) + α * t * 𝑥1 = 0 + 1 * 1 * 0 = 0
Tidak ada penyakit = “0” 𝑤3 (baru) = 𝑤3 (lama) + α * t * 𝑥1 = 0 + 1 * 1 * 1 = 1
Input : 𝑤4 (baru) = 𝑤4 (lama) + α * t * 𝑥1 = 0 + 1 * 1 * 1 = 1
Ada Gejala =”1” 𝑤5 (baru) = 𝑤5 (lama) + α * t * 𝑥1 = 0 + 1 * 1 * 0 = 0
Tidak Ada Ggejala = “0” 𝑤6 (baru) = 𝑤6 (lama) + α * t * 𝑥1 = 0 + 1 * 1 * 1 = 1
Algoritma pelatihan perceptron : b (baru) = b (lama) + α * t = 0 + 1 * 1 = 1
Inisialisasi semua bobot dan bias (umumnya Wi
= b = 0) Data ke-2 (𝑥1 = 0;𝑥2 = 1;𝑥3 = 1; 𝑥4 = 1; 𝑥5 = 0; 𝑥6 = 1;
Selama ada elemen vector masukan yang respon t = 1)
unit keluarannya tidak sama dengan target, y_ in=∑𝑖 𝑥𝑖𝑤𝑖 + 𝑏
lakukan : = 0 (1) + 1 (0) + 1 (1) + 1 (1) + 0 (0) + 1 (1)+ 1 = 4
Set aktivasi unit masukan 𝑥𝑖 = Si (1,.., n)
Hitung respon unit keluaran : net = ∑𝑖 𝑥𝑖𝑤𝑖 + 𝑏 1,jikay-in > 0,5
426
 Jurnal Pelita Informatika, Volume 6, Nomor 4, April 2018
ISSN 2301-9425 (Media Cetak)
Hal: 425-429

Fungsi aktivasi : y = 0,jika 0,5 ≤ y_in ≤ 0,5 𝑤4 (baru) = 𝑤4 (lama)

-1,jika y_in < -0,5 𝑤5 (baru) = 𝑤5 (lama)
Hasil aktivasi y = 1, y = t 𝑤6 (baru) = 𝑤6 (lama)
(sama dengan target t = 1, maka tidak dilakukan b (baru) = b (lama)
perubahan bobot dan bias)
bobot dan bias tetap : Data ke-5 (𝑥1 = 0;𝑥2 = 1;𝑥3 = 1; 𝑥4 = 0; 𝑥5 = 1; 𝑥6 = 0;
𝑤1 (baru) = 𝑤1 (lama) t = -1)
𝑤2 (baru) = 𝑤2 (lama) y_ in=∑𝑖 𝑥𝑖𝑤𝑖 + 𝑏
𝑤3 (baru) = 𝑤3 (lama) = 0 (1) + 1 (0) + 1 (0) + 0 (0) + 1 (-1) + 0 (1) + 0 = -1
𝑤4 (baru) = 𝑤4 (lama) 1,jikay-in > 0,5
𝑤5 (baru) = 𝑤5 (lama) Fungsi aktivasi : y = 0,jika 0,5 ≤ y_in ≤ 0,5
𝑤6 (baru) = 𝑤6 (lama) -1,jika y_in < -0,5
b (baru) = b (lama)
Hasil aktivasi y = -1, y = t
Data ke-3 (𝑥1 = 0;𝑥2 = 0;𝑥3 = 1; 𝑥4 = 1; 𝑥5 = 1; 𝑥6 = 0; (sama dengan target t = -1, maka tidak dilakukan
t = -1) perubahan bobot dan bias)
y_ in=∑𝑖 𝑥𝑖𝑤𝑖 + 𝑏 bobot dan bias tetap :
= 0 (1) + 0 (0) + 1 (1) + 1 (1) + 1 (0) + 0 (1) + 𝑤1 (baru) = 𝑤1 (lama)
1 =3 𝑤2 (baru) = 𝑤2 (lama)
1, jikay-in > 0,5 𝑤3 (baru) = 𝑤3 (lama)
Fungsi aktivasi : y = 0, jika 0,5 ≤ y_in ≤ 0,5 𝑤4 (baru) = 𝑤4 (lama)
-1, jika y_in < -0,5 𝑤5 (baru) = 𝑤5 (lama)
𝑤6 (baru) = 𝑤6 (lama)
Hasil aktivasi y = 1, y ≠ t b (baru) = b (lama)
(Tidak sama dengan target t = -1, maka harus dilakukan
perubahan bobot dan bias) Data ke-6 (𝑥1 = 1;𝑥2 = 0;𝑥3 = 0; 𝑥4 = 1; 𝑥5 = 0; 𝑥6 = 0;
Perubahan bobot dan bias : t = -1)
𝑤1 (baru) = 𝑤1 (lama) + α * t * 𝑥1 = 1 + 1 *(- 1) * 0 = y_ in=∑𝑖 𝑥𝑖𝑤𝑖 + 𝑏
1 = 1 (1) + 0 (0) + 0 (0) + 1 (0) + 0 (-1) + 0 (1) + 0 = 1
𝑤2 (baru) = 𝑤2 (lama) + α * t * 𝑥1 = 0 + 1 *(- 1 )* 0 =
0
𝑤3 (baru) = 𝑤3 (lama) + α * t * 𝑥1 = 1 + 1 * (-1) * 1 = 1,jikay-in > 0,5
0 Fungsi aktivasi : y = 0,jika 0,5 ≤ y_in ≤ 0,5
𝑤4 (baru) = 𝑤4 (lama) + α * t * 𝑥1 = 1 + 1 * (-1) * 1 = -1,jika y_in < -0,5
0
𝑤5 (baru) = 𝑤5 (lama) + α * t * 𝑥1 = 0 + 1 * (-1) * 1 = Hasil aktivasi y = 1, y ≠ t
-1 (Tidak sama dengan target t = -1, maka harus dilakukan
𝑤6 (baru) = 𝑤6 (lama) + α * t * 𝑥1 = 1 + 1 * (-1) * 0 = perubahan bobot dan bias)
1 Perubahan bobot dan bias :
b (baru) = b (lama) + α * t = 1 + 1 * (-1) = 0 𝑤1 (baru) = 𝑤1 (lama) + α * t * 𝑥1 = 1 + 1 * (-1) * 1 =
0
Data ke-4 (𝑥1 = 1;𝑥2 = 1;𝑥3 = 0; 𝑥4 = 1; 𝑥5 = 0; 𝑥6 = 1; 𝑤2 (baru) = 𝑤2 (lama) + α * t * 𝑥1 = 0 + 1 * (-1) * 0 =
t = 1) 0
y_ in=∑𝑖 𝑥𝑖𝑤𝑖 + 𝑏 𝑤3 (baru) = 𝑤3 (lama) + α * t * 𝑥1 = 0 + 1 * (-1) * 0 =
= 1 (1) + 1 (0) + 0 (0) + 1 (0) + 0 (-1) + 1 (1) + 0
0 =2 𝑤4 (baru) = 𝑤4 (lama) + α * t * 𝑥1 = 0 + 1 * (-1) * 1 =
-1
1,jikay-in > 0,5 𝑤5 (baru) = 𝑤5 (lama) + α * t * 𝑥1 = -1 + 1 * (-1) * 0
Fungsi aktivasi : y = 0,jika 0,5 ≤ y_in ≤ 0,5 = -1
-1,jika y_in < -0,5 𝑤6 (baru) = 𝑤6 (lama) + α * t * 𝑥1 = 1 + 1 * (-1) * 0 =
1
Hasil aktivasi y = 1, y = t b (baru) = b (lama) + α * t = 0 + 1 * (-1) = -1
(sama dengan target t = 1, maka tidak dilakukan
perubahan bobot dan bias) Tabel 2. Perbandingan Hasil Pelatihan (JST) dengan
bobot dan bias tetap : Target
𝑤1 (baru) = 𝑤1 (lama) Epoch ke- Target Hasil (Y)
𝑤2 (baru) = 𝑤2 (lama) 4 ∑𝑖 𝑥𝑖𝑤𝑖 + 𝑏
𝑤3 (baru) = 𝑤3 (lama)
427
 Jurnal Pelita Informatika, Volume 6, Nomor 4, April 2018
ISSN 2301-9425 (Media Cetak)
Hal: 425-429

1 1
1 1
-1 -1
1 1
-1 -1
-1 -1
Melalui Jaringan Syaraf Tiruan dengan
menggunakan metode Perceptron, proses
pembelajaran yang telah dilakukan sebanyak 4 epoch
dapat dinyatakan bahwa selama dilakukan proses
pembelajaran pada epoch ke- 4 pola sudah dikenal.
Dengan data = 1 menyatakan pasien terdeteksi Gambar 4. Menhitung niai keluaran
parvovirus sendangkan data yang menghasilkan nilai =
-1menyatakan pasien tidak terdeteksi parvovirus. Fungsi net =train (net,p,t) digunakan untuk
melihat hasil keluaran yang berupa grafik. Di bawah ini
IV. IMPLEMENTASI merupakan grafik hasil keluaran jaringan syaraf tiruan.
Untuk melakukan pengujian, yang paling pertama
skali dilakukan adalah membentuk sebuah perceptron
dan matriksnya. Di bawah ini merupakan gambar
sebuah perceptron beserta matriksnya.

Gambar 5. Output perceptron

Grafik gambar 4.4 menunjukkan bahwa iterasi

Gambar 2. Pembentukan perceptron dan matriks
Setelah dilakukan pembentukan perceptron dan
matriks, maka selanjutnya diinputkan nilai data, bobot,
bias dan targetnya seperti gambar berikut :
diselesaikan dalam 4 epoch. Pada epoch 1, unjuk kerja
= 0,5 (bearti hanya ada 4 pola yang dikenali dengan
benar). Pada epoch keempat unjuk kerja = 0(bearti
semua pola sudah dikenali). Artinya adalah bahwa
semua Gejala Virus Parvo tersebut telah dikenali
dengan baik pada epoh keempat melalui pengujian ini
telah membuktikan bahwa proses pembelajaran yang
diterapkan pada bab 3 sebelumnya dengan pengujian
yang dilakukan menggunakan aplikasi matlab versi 6.1
memiliki persamaan yaitu dapat melatih setiap data-
datanya hanya dengan 4 epoch saja. Untuk mengetahui
nilai bobot dan bias digunakan fungsi:
>>disp=(net.IW{1,1})
>>disp=(net.b{1})
Fungsi ini digunakan untuk menampilkan nilai bobot
dan bias pada epoch ke 4

Gambar 3. Input data bobot ,bias dan target

Setelah data yang diinputkan selesai, maka

dihitung nilai keluaran (output) pada jaringan . Untuk
menghitung nilai keluaran (a) pada matlab digunakan Gambar 6. Tampilan nilai bobot dan bias
fungsi seperti gambar berikut:

428
 Jurnal Pelita Informatika, Volume 6, Nomor 4, April 2018
ISSN 2301-9425 (Media Cetak)
Hal: 425-429

Sendangkan untuk melihatnilai keluaran (a) dan nilai 3. Semakin besar nilai dari performance semakin
error(e) digunakan fungsi baik mengenali pola penyakit.
>>disp=(net.p)
>>e=sum(t-a) REFERENCES
Dibawah ini merupakan tampilan nilai keluaran (a) dan [1] A. Desiani, Konsep Keerdasan Buatan, Yogyakarta: Penerbit
Andi, 2006.
error (e) [2] S. M. S. V. S. Sutojo, Kecerdasan Buatan, yogyakarta: Andi,
2011.
[3] S. R.H, Pemrograman MATLAB, Yogyakarta: Penerbit Andi,
2015.
[4] Y. DJAHIR, Bahan Ajar Sistem Informasi Manajemen,
Yogyakarta: CV Budi Utama, 2014.
[5] A. Kadir, Pengenalan Algoritma Pendekatan Secara Visual
dan Interaktif Menggunakan Raptor, Yogyakarta: Andi, 2013.
[6] D. Hardjodisastro, Menuju seni Ilmu Kedokteran, Jakarta: PT
Gramedia Pustaka, 2006.
[7] B. Mahendara, Tubuh Anda Cermin Kesehatan Anda, Depok:
PenebarPlus.
[8] B. N.S., Panduan Lengkap Memelihara, Merawat, dan
Melatih, jakarta: Swadaya, 2004.
Gambar 7. Tampilan nilai keluaran (a) dan target (t)
[9] [Online]. Available:
http://www.marchanimalclinic.com/id/blogPost/14 diakses
Berikut hasil perbandingan target yang dinginkan tanggal /03/05/2017.
(t) dengan Hasil Perceptron menggunakan aplikasi [10] Diana Laily Fithri, "Deteksi Penyakit Pada Daun Tembakau
Dengan Menerapkan Algoritma ARTIFICIAL NEURAL
matlab 6.1.
NETWORK ," SIMETRIS, vol. 3, p. 51, 2013.
[11] Ardi pujianta fernandya Riski Hartantri, "Deteksi Penyakit dan
Tabel 2. hasil perbandingan target yang diinginkan serangan Hama Tanaman Buah Salak Menggunakan Jaringan
(t)dengan hail pelatihan perceptron Syaraf Tiruan (JST) Dengan Metode Perceptron," Jurnal
Sarjana Teknik Informatika, vol. 2, p. 1228, 2014.

Epoch Target Hasil (Y) ∑𝑖 𝑥𝑖𝑤𝑖 +

ke-4 𝑏
1 1
1 1
0 0
1 1
0 0
0 0
Pada epoch ke 4 hasil keluaran jaringan syaraf
tiruan telah sama dengan target yang diinginkan pada
epoch ke 4 menghasilkan nilai keluaran =
1sebanyaktiga kali yang menyatakan bahwa pada
gejala Virusa Parvo anjing yang terdeteksi positif
terdapat pada anjing yang mempunyai gejala muntah
dan diare berdarah.

V. KESIMPULAN
Setelah melakukan penelitian secara menyeluruh
terhadap penyakit virus parvo pada anjing
menggunakan jaringan syaraf tiruan metode
perceptron, penulis berhasil membangun suatu jaringa
syaraf tiruan untuk dikenal didalam sistem. Maka
penulis dapat membuat kesimpulan dan memberikan
saran agar Penerapan algoritma perceptron untuk
mendeteksi virus parvo pada anjing dapat dikenal
dalam sistem.
1. Hasil output yang didapat dari 6 sampel data
dengan pengenalan pola 60%-100% dalam
mengidentifikasi penyakit virus parvo pada
anjing.
2. Semakin banyak jumlah data yang dilatih dan
diuji semakin akurat dalam mendeteksi penyakit
virus parvo pada anjing.
429