jaringan syaraf tiruan untuk identifikasi kualitas

Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Vol. 1, Oktober 2015
ISSN : 2460 - 4690
JARINGAN SYARAF TIRUAN UNTUK IDENTIFIKASI
KUALITAS PANEN DAN PENYAKIT IKAN PATIN
MENGGUNAKAN ALGORITMA BACKPROPAGATION
(STUDI KASUS DI DINAS KELAUTAN DAN PERIKANAN
PROVINSI JAMBI)
Pariyadi1)
Teknik Informatika, STMIK Nurdin Hamzah Jambi
e-mail: [email protected]
1
Abstract
Freshwater fish farming is a promising opportunity that can improve people's
income. One of the species of freshwater fish that is popular nowadays for cultivated is
Pangasius. In the process of cultivation, Pangasius are vulnerable to attacked by microorganisms that can cause a disease that affects the quality of Pangasius during harvest. So
far, Pangasius farmers especially beginner farmers are constrained in identifying the
Pangasius quality and Pangasius diseases. Pangasius quality in Jambi province is
categorized into three, namely: Prima quality, Medium Quality and Low Quality which
indicated attacked by a disease. 5 diseases that usually attack Pangasius in Jambi Province
are : Edwardsiella Ictaluri, Edwardsiella Tarda, Yersinia Ruckeri, Pseudomonas
Anguilliseptica, dan Motil Aeromonas. Based on those problem, this study aims to applying
Artificial Neural Network (ANN) model with Backpropagation algorithm in identifying
harvest quality and Pangasius diseases. ANN is able to recognize the pattern of harvest
quality and Pangasius diseases based on condition and clinical symptoms. The data will be
trained and new knowledge that never been studied will be given. 15 variabels will be used
as an input, and then will be trained by using 65 Pangasius data so that the system can
recognize the variabel and the data properly. For testing process, 20 data will be used. After
analysis of simulation ANN models with Backpropagation algorithm by using Matlab, the
quality of harvest and Pangasius diseases will be identified. The results are
Backpropagation algorithm is able to have 100% of accuracy level. Evaluation is done to
obtain the best condition the number of neurons in the hidden layer of 20 nodes with 14
iterations, 0.00000000186 of MSE and the best training function is trainlm with
0.001671590778 average of error gradient.
Keywords : Artifcial Neural Network (ANN), Backpropagation, Quality of Harvest Catfish,
PangasiusDesease
1. PENDAHULUAN
Ikan memberikan peluang usaha
yang besar karena mengandung protein
dan gizi yang sangat baik serta kesadaran
masyarakat di hampir seluruh dunia akan
pentingnya makan ikan untuk kesehatan
juga semakin tumbuh. Baik yang
tergolong ikan air laut maupun ikan hasil
budidaya, keduanya memiliki potensi
ekonomi dan kendala masing-masing.
Seperti ketersediaan ikan air laut
Pariyadi, Teknik Informatika, STMIK Nurdin Hamzah Jambi
terpengaruh oleh kondisi cuaca, atau
ketersediaan pakan yang baik serta
serangan penyakit merupakan tantangan
tersendiri dalam mengembangkan ikan
hasil budidaya.
Di bawah pengelolaan Dinas
Kelautan dan Perikanan Provinsi Jambi,
Provinsi Jambi dipercaya sebagai salah
satu dari tiga provinsi (Jambi, Riau, dan
Kalimantan Selatan) yang dijadikan sentra
pengembangan industri ikan Patin di
300
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Indonesia. Pada pembudidayaan ikan
Patin tersebut tentu juga terdapat berbagai
tantangan seperti ancaman parasit, jamur,
dan bakteri yang dapat menyebabkan
timbulnya penyakit pada ikan Patin. Salah
satu kendala yang terjadi yaitu efektifitas
dalam pendampingan petani budidaya
ikan Patin untuk mengidentifikasi kualitas
panen serta penyakit ikan Patin, terutama
ditemui pada petani yang belum memiliki
pengetahuan dan pengalaman yang cukup
mengenai pembudidayaan ikan Patin.
Agar proses identifikasi kualitas
panen dan penyakit ikan Patin dapat
dilakukan secara mandiri, maka perlunya
penerapan suatu sistem cerdas yang dapat
membantu petani budidaya dalam
mengidentifikasi kualitas panen dan
penyakit ikan Patin berdasarkan pada
kondisi atau gejala klinis pada ikan Patin.
Metode yang digunakan dalam penelitian
ini adalah Jaringan Syaraf Tiruan (JST)
yang merupakan salah satu bidang ilmu
dari Kecerdasan Buatan atau Sistem
Cerdas yang banyak digunakan untuk
menyelesaikan masalah estimasi, prediksi,
klasifikasi,
segmentasi
(clustering),
pengenalan pola, dan lain sebagainya.
Pada penelitian digunakan Algoritma
Backpropagation.
Algoritma
Backpropagtion adalah pelatihan jenis
terkontrol (supervised) menggunakan pola
penyesuaian bobot untuk mencapai nilai
kesalahan minimum antara keluaran hasil
prediksi dengan keluaran yang nyata
(Andrijasa dan Mistianingsih, 2010).
memprediksi penyakit THT dengan
Jaringan Syaraf Tiruan Algoritma
Backpropagation yang dilakukan oleh
Arif Jumawarto, et al. (2009), deteksi
tingkat keparahan pengapuran sendi
(ostheoarthritis) menggunakan Jaringan
Syaraf
Tiruan
Algoritma
Backpropagation oleh Dian Pratiwi, et al.
(2011) dan sistem pengenalan wajah
melalui pelatihan Jaringan Syaraf Tiruan
Algoritma Backpropagation oleh Revathy
dan Guhan (2012). Dari beberapa
penelitian tersebut dapat disimpulkan
bahwa penerapan JST dapat digunakan di
berbagai
bidang
seperti:
biologi,
psikologi,
kedokteran,
pemasaran,
computer vision, dan lain sebagainya.
Pariyadi, Teknik Informatika, STMIK Nurdin Hamzah Jambi
Vol. 1, Oktober 2015
ISSN : 2460 - 4690
Berdasarkan latar belakang di atas,
maka
penelitian
bertujuan
untuk
menganalisis penerapan Jaringan Syaraf
Tiruan
menggunakan
Algoritma
Backpropagation dalam mengidentifikasi
kualitas panen dan penyakit pada ikan
Patin.
2. KAJIAN LITERATUR
Jaringan Syaraf Tiruan merupakan
salah satu upaya manusia untuk
memodelkan cara kerja atau fungsi
sistem
syaraf
manusia
dalam
melaksanakan tugas tertentu. Pemodelan
ini didasari oleh kemampuan otak
manusia dalam mengorganisasikan selsel penyusunnya yang disebut neuron,
sehingga mampu melaksanakan tugastugas tertentu, khususnya pengenalan
pola dengan efektivitas yang sangat
tinggi (Suyanto, 2014).
Backpropagation atau disebut juga
sebagai Multilayer Perceptron (MP)
adalah jenis neural network
yang
memiliki kemampuan untuk mendeteksi
atau
melakukan
analisa
untuk
permasalahan yang sifatnya cukup atau
bahkan sangat kompleks, seperti pada
masalah Pemrosesan Bahasa, Pengenalan
suatu Pola serta Pemrosesan suatu image
atau gambar. Algoritma Backpropagation
adalah sebagai berikut:
1) Inisialisasi bobot (ambil bobot awal
dengan nilai random yang cukup
kecil).
2) Tetapkan nilai: Maksimum Epoch,
Target Error, dan Learning rate (α).
3) Inisialisasi : Epoch = 0, Mean Sequare
Error (MSE) =1.
4) Kerjakan langkah-langkah berikut
selama kondisi berhenti bernilai False
((Epoch < Maksimum Epoch) dan
(MSE > Target Error)):
i. Epoch = Epoch + 1
ii. Untuk tiap-tiap pasangan elemen
yang akan dilakukan pelatihan,
kerjakan:
 Tahap
Feedforward
(Perambatan Maju)
 Tahap
Backpropagation
(Perambatan Mundur)
 Tahap Perbarui Bobot dan Bias
301
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
iii. Tes Kondisi Berhenti
Hitung nilai MSE (Mean Sequare
Error)
3. METODE PENELITIAN
Metodologi
penelitian
sangat
menentukan
keberhasilan
dalam
melakukan suatu penelitian, karena
dengan adanya metodologi penelitian
penyelesaian masalah dapat dilakukan
secara bertahap dan terstruktur. Kasus
pada penelitian ini, untuk menganalisis
penerapan model Jaringan Syaraf Tiruan
dalam identifikasi kualitas panen dan
penyakit pada ikan Patin berdasarkan
pada kondisi atau gejala klinis ikan Patin.
Kerangka kerja atau framework yang
digunakan pada penelitian ini, adalah
sebagai berikut :
1)
2)
3)
4)
5)
6)
7)
8)
9)
Merumuskan Masalah
Menentukan Tujuan
Mempelajari Literatur
Mengumpulkan Data Dan Informasi
Menganalisa Data
Merancang
Arsitektur
Jaringan
Syaraf Tiruan
Mengimplementasikan
Algoritma
Bakpropagation
Menguji Algoritma Backpropagation
Mengevaluasi Penerapan Algoritma
Backpropagation.
4. HASIL DAN PEMBAHASAN
Dengan menggunakan arsitektur
Jaringan Syaraf yang telah ditetapkan
seperti pada Gambar 1.
Vol. 1, Oktober 2015
ISSN : 2460 - 4690
Gambar 1. Arsitektur JST
Neuron input terdiri dari Kenampakan
(X1), Mata (X2), Warna Insang (X3),
Daging (X4), Anus (X5), Bau (X6), Panjang
(X7), Berat (X8), Sekresi Lendir (X9),
Perilaku
(X10),
Pendarahan
(X11),
Pernafasan
(X12),
Luka
(X13),
Pembengkakan (X14), Kulit (X15). neuron
pada hidden layer ditetapkan untuk awal
berjumlah 15 neuron (z1-z15), dan neuron
pada output layer berjumlah 3 neuron (y1y3) karena bertujuan untuk menampung 7
kategori kualitas panen dan penyakit ikan
Patin yaitu, Patin kualitas Prima (001),
Patin kualitas Sedang (010), Patin kualitas
Rendah terinfeksi Edwarsiella Ictaluri
(011), Patin kualitas Rendah terinfeksi
Edwarsiella Tarda (100), Patin kualitas
Rendah terinfeksi Yersinia Ruckeri (101),
Patin
kualitas
Rendah
terinfeksi
Pseudomonas Angelliseptica (110), Patin
kualitas
Rendah
terinfeksi
Motil
Aeromonas (111).
Dilakukan implementasi Algoritma
Backpropagation dengan tool Matlab
adalah sebagai berikut:
1)
Proses Pelatihan
Hasil proses pelatihan terhadap 65
data pelatihan menggunakan algoritma
Backpropagation seperti pada Tabel 1,
sedangkan hasil pengujian seperti terlihat
pada Tabel 2.
Tabel 1. Hasil Proses Pelatihan
Metode
Perf
Backpropagation
0.000967
Ketepatan
Pengujian
100%
Pelatihan yang dilakukan dengan
fungsi pelatihan traingdx dilakukan
dengan jumlah
197 iterasi
dan
performance maksimum sebesar 0.000967
seperti terlihat pada Gambar 2.
Pariyadi, Teknik Informatika, STMIK Nurdin Hamzah Jambi
302
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
3)
Vol. 1, Oktober 2015
ISSN : 2460 - 4690
Proses Identifikasi Kualitas Panen
Dan Penyakit Ikan Patin
Dari 65 data kondisi dan gejala klinis
ikan Patin yang telah dihimpun, dapat
diidentifikasi kualitas panen dan penyakit
menggunakan algoritma Backpropagation
pada Tabel 3.
Tabel 3. Hasil Proses Prediksi
Bidang
Kompetensi
PP
PS
PR1
PR2
PR3
PR4
PR5
TD
Gambar 2. Hasil Pelatihan Terhadap
65 Data Pelatihan Ikan Patin
2)
Proses Pengujian
Pengujian
dilakukan
dengan
menggunakan 20 data pengujian
dengan hasil seperti terlihat pada
Gambar 3 dan pada Tabel 2.
Keterangan:
PP
PS
PR1
PR2
PR3
PR4
PR5
Gambar 3. Grafik Hasil Proses
Pengujian Backpropagation
Hasil proses pengujian terhadap 20
data pengujian dengan hasil seperti pada
Tabel 2.
Tabel 2. Hasil Proses Pengujian
Metode
Perf
Backpropagation
0.000913
Ketepatan
Pengujian
100%
Pariyadi, Teknik Informatika, STMIK Nurdin Hamzah Jambi
BackPropagation
34
14
3
3
4
3
4
0
TD
: Patin Prima
: Patin Sedang
: Patin Mutu Rendah Terinfeksi
Edwardsiella Ictaluri
: Patin Mutu Rendah Terinfeksi
Edwardsiella Tarda
: Patin Mutu Rendah Terinfeksi
Yersinia Ruckeri
: Patin Mutu Rendah Terinfeksi
Pseudomonas Anguiliseptica
: Patin Mutu Rendah Terinfeksi
Motil Aeromonas
: Tidak Dikenali
Berdasarkan hasil proses identifikasi
kualitas panen dan penyakit ikan Patin
menggunakan algoritma Backpropagation
tersebut, maka hasil identifikasi dengan
algoritma
Backpropagation
telah
memiliki kinerja baik karena pengenalan
pola mampu memiliki kinerja ketepatan
pelatihan dan pengujian sebesar 100%.
303
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Setelah dilakukan analisa terhadap
Jaringan Syaraf Tiruan, maka diperoleh
hasil seperti pada Tabel 4 hingga Tabel 7.
Analisa Jaringan Syaraf Tiruan dilakukan
untuk mengetahui keadaan terbaik
terhadap perbandingan Jumlah Neuron
seperti pada Tabel 4.
Tabel 4. Perbandingan Jumlah Neuron
Hidden Layer
Jumla
Berhenti
h
Training
Di Iterasi
MSE
Neuro
Function
Ken
5
233
TRAINGD 0.012600000
A
00
94
TRAINGD 0.111000000
X
00
20
TRAINLM 0.030000000
00
10
66
TRAINGD 0.297000000
A
00
184
TRAINGD 0.014300000
X
00
24
TRAINLM 0.000000006
40
15
169
TRAINGD 0.015200000
A
00
110
TRAINGD 0.180000000
X
00
21
TRAINLM 0.000000003
19
165
TRAINGD 0.011200000
20
A
00
273
TRAINGD 0,000010300
X
00
14
TRAINL 0.000000001
M
86
25
234
TRAINGD 0.011500000
A
00
269
TRAINGD 0.000009480
X
00
30
TRAINLM 0.000000002
97
Nilai Rata-Rata Akurasi yang
dihasilkan dengan berbagai keadaan
Jumlah Neuron pada Arsitektur Jaringan
Syaraf Tiruan seperti terlihat pada Tabel
5.
Vol. 1, Oktober 2015
ISSN : 2460 - 4690
Rata-Rata Akurasi Pada Beberapa
Keadaan Jumlah Neuron Hidden Layer
Jumlah
Rata-Rata
Neuron
Akurasi (%)
5
80.5128
10
67.6923
15
82.0513
20
97.9487
25
97.4359
Analisa juga dilakukan dengan
perbandingan beberapa fungsi pelatihan
dengan hasil Rata-Rata Error Gradient
seperti terlihat pada Tabel 6.
Tabel 6. Perbandingan Rata-Rata
Error Gradient Pada Fungsi Pelatihan
Training
Rata-Rata
Function
Error Gradient
TRAINGDA
0.026635840000
TRAINGDX
0.036754997740
TRAINLM
0.001671590778
Selanjutnya
dilakukan
pula
perbandingan terhadap Rata-Rata Akurasi
pada Fungsi Pelatihan dengan hasil seperti
pada Tabel 7.
Tabel 7. Perbandingan Rata-Rata
Akurasi Pada Fungsi Pelatihan
Jumla
h
Neuro
n
TRAINGD
5
A
10
15
20
25
TRAINGD
5
X
10
15
20
25
TRAINL
5
M
10
15
20
25
Training
Function
Persentas
e (%)
RataRata
(%)
90.7692 77.5385
10.7692
95.3846
95.3846
95.3846
60.0000 80.3077
92.3077
50.7692
100.0000
98.4615
90.7692 97.5385
100.0000
100.0000
96.9231
100.0000
Tabel 5. Perbandingan Tahap Analisis
Pariyadi, Teknik Informatika, STMIK Nurdin Hamzah Jambi
304
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Dari perbandingan rata-rata tingkat
akurasi pada tabel 7 dapat dilihat bahwa
rata-rata tingkat akurasi terbesar adalah
pada fungsi pelatihan Trainlm dengan
rata-rata
tingkat
akurasi
sebesar
97.5385%.
Percobaan yang telah dilakukan
untuk mengoptimalisasi Jaringan Syaraf
Tiruan
menggunakan
Algoritma
Backpropagation menghasilkan informasi
pendukung untuk dapat menyimpulkan
berapa jumlah neuron pada hidden layer
dan fungsi pelatihan yang terbaik untuk
digunakan. Fungsi pelatihan yang terbaik
digunakan berdasarkan nilai rata-rata
error gradient dan rata-rata tingkat
akurasi adalah fungsi pelatihan Trainlm,
sedangkan untuk jumlah neuron pada
hidden layer berdasarkan jumlah iterasi,
performance,
dan
tingkat
akurasi
diperoleh jumlah neuron sebanyak 20
node.
5. KESIMPULAN
1) Jaringan Syaraf Tiruan Algoritma
Backpropagation dapat diterapkan
dalam proses identifikasi kualitas
panen dan penyakit ikan Patin karena
memiliki keunggulan salah satunya
dapat melakukan proses pelatihan
atau belajar terhadap data-data yang
menjadi bekal layaknya manusia
sehingga dari hasil pelatihan tersebut
dapat dilakukan proses identifikasi
kualitas panen dan penyakit ikan Patin
dengan menggunakan data input baru.
Menggunakan 15 variabel input yaitu
Kenampakan (X1), Mata (X2), Warna
Insang (X3), Daging (X4), Anus (X5),
Bau (X6), Panjang (X7), Berat (X8),
Sekresi Lendir (X9), Perilaku (X10),
Pendarahan (X11), Pernafasan (X12),
Luka (X13), Pembengkakan (X14),
Kulit (X15). Serta 3 variabel output
(Y1, Y2, Y3) yang mengandung 7 jenis
target kualitas panen dan penyakit
ikan Patin antara lain Patin Kualitas
Prima (0 0 1), Pating Kualitas Sedang
(0 1 0), Patin Kualitas Rendah
Pariyadi, Teknik Informatika, STMIK Nurdin Hamzah Jambi
Vol. 1, Oktober 2015
ISSN : 2460 - 4690
Terinfeksi Edwardsiella Ictaluri,
Patin Kualitas Rendah Terinfeksi
Edwardsiella Tarda, Patin Kualitas
Rendah Terinfeksi Yersinia Ruckeri,
Patin Kualitas Rendah Terinfeksi
Pseudomonas Anguilliseptica, dan
Patin Kualitas Rendah Terinfeksi
Motil Aeromonas.
2) Dari hasil analisa pada tahap
identifikasi kualitas panen dan
penyakit
ikan
Patin
terhadap
pengenalan pola data baru, maka
Algoritma Backpropagation telah
memiliki tingkat akurasi yang sangat
baik dengan persentase sebesar 100
%.
3) Evaluasi yang dilakukan memperoleh
keadaan terbaik untuk jumlah neuron
pada hidden layer sebanyak 20 node
dengan 14 iterasi dan MSE sebesar
0.00000000186 serta fungsi pelatihan
terbaik adalah Trainlm dengan ratarata error gradient terendah senilai
0.001671590778 dan rata-rata tingkat
akurasi terbesar sebesar senilai
97.5385 %.
Saran untuk pengembangan penelitian
selanjutnya,
dapat
digunakan
perbandingan metode JST lain, seperti
Learning Vector Quantification (LVQ),
Jaringan Reccurent Hopfield, atau lainnya
dengan menggunakan tools yang berbasis
Graphic User Interface (GUI) agar sistem
yang dimodelkan atau dikembangkan
lebih interaktif.
6.
REFERENSI
1)
Andrijasa, M.F., dan Mistianingsih.
(2010). Penerapan Jaringan Syaraf
Tiruan Untuk Memprediksi Jumlah
Pengangguran
di
Provinsi
Kalimantan
Timur
Dengan
Menggunakan
Algoritma
Pembelajaran
Backpropagation.
Jurnal Informatika Mulawarman Vol
5 No.1, 50-54.
305
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
2) Arif Jumarwanto. (2009). Aplikasi
Jaringan
Syaraf
Tiruan
Backpropagation Untuk Memprediksi
Penyakit THT Di Rumah Sakit Mardi
Rahayu Kudus. Jurnal Teknik Elektro
Vol.1 No.1, 11-21.
3) Candra Dewi dan Muslikh, M.
(2013).
Perbandingan
Akurasi
Backpropagation Neural Network
dan ANFIS untuk Memprediksi
Cuaca.
Journal
of
Scientific
Modelling & Computation Vol 1 No.
1, 7-13.
4) Chakravarthy,
et
al.
(2011).
Handwritten
Text
Image
Authentication
Using
Back
Propagation. International Journal of
Network Security & Its Applications
(IJNSA), Vol 3, No.5, 121-130.
5) Choudhary, et al. (2013). Signature
Recognition & Verification System
Using Back Propagation Neural
Network. International Journal of IT,
Engineering and Applied Sciences
Research (IJIEASR) Volume 2, No.1,
1-8.
6) Dian Pratiwi, et al. (2011). An
Application Of Backpropagation
Artifical Neural Network Method for
Measuring
The
Severity
of
Osteoarthritis. International Journal
of Engineering & Technology IJETIJENS – Vol 11, No.03, 102-105.
7) Divya, et al. (2013). Diabetes
Detection Using Artificial Neural
Networks
&
Back-Propagation
Algorithm. International Journal of
Scientific & Technology Research,
Vol 2, Issue 1. 9-11.
Pariyadi, Teknik Informatika, STMIK Nurdin Hamzah Jambi
Vol. 1, Oktober 2015
ISSN : 2460 - 4690
8) Faruk, MD. A. R. (2008). Disease
and Health Management of Farmed
Exotic
Catfish
Pangasius
hypopthalmus
in
Mymensingh
District of Bangladesh. Diseases in
Asian Aquaculture VI, email
[email protected], 193-204.
9) Jayanta Kumar Basu, et al. (2010).
Use Of Artificial Neural Network in
Pattern Recognition. International
Journal of Software Engineering and
Its Applications Vol.4, No.2. 23-33.
10) Kholish Mahyuddin (2010). Panduan
Lengkap Agribisnis Patin. Jakarta:
Penebar Swadaya.
11) Kosbatwar, dan Pathan. (2012).
Pattern Association for character
recognition by Back-Propagation
algorithm using Neural Network
approach. International Journal of
Computer Science & Engineering
Survey (IJCSES) Vol. 3, No.1. 127134.
12) Novita Handayani. (2012). Analisis
Metode Jaringan Syaraf Tiruan
Backpropagation Untuk Pengenalan
Sel Kanker Otak. Jurnal Ilmiah
Komputer
dan
Informatika
(KOMPUTA), 1-8.
13) Siang Jong Jek. (2009). Jaringan
Syaraf Tiruan & Pemrogramannya
Menggunakan
MATLAB.
Yogyakarta: Penerbit Andi.
14) Sutojo, et al. (2011). Kecerdasan
Buatan. Yogyakarta: Penerbit Andi.
15) Suryaningrum,
et
al. (2012).
Membuat Fillet Ikan Patin. Jakarta:
Penebar Swadaya .
16) Suyanto.
(2014).
Artificial
Intelligence. Bandung: Informatika.
306