Available via license: CC BY-SA 4.0
Content may be subject to copyright.
Jurnal Sains dan Teknologi
Volume 11 Number 1, Tahun 2022, pp. 93-105
P-ISSN: 2303-3142 E-ISSN: 2548-8570
Open Access: https://dx.doi.org/10.23887/jst-undiksha.v11i1
*Corresponding author.
E-mail addresses: musli_yanto@upiyptk.ac.id (Musli Yanto)
A R T I C L E I N F O
Article history:
Received August 06, 2021
Revised August 09, 2021
Accepted December 14, 2021
Available online April 25, 2022
Kata Kunci:
Identifikasi, Kualitas, Daging Sapi,
Multiple Linear Regressi (MLR), Fuzzy
Neural Network (FNN)
Keywords:
Identification, Quality, Beef, Multiple
Regression Linear (MLR), Fuzzy Neural
Network (FNN)
This is an open access article under the CC BY-SA
license.
Copyright © 2022 by Author. Published by
Universitas Pendidikan Ganesha.
Multiple Linear Regressi pada Fuzzy Neural Network (FNN)
Penentuan Kualitas Daging Sapi
Musli Yanto1*, Syafri Arlis 2, Deri Marse Putra3
1, Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Putra Indonesia YPTK Padang, Indonesia
2,3 Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Putra Indonesia YPTK Padang, Indonesia
A B S T R A K
Tujuan penelitian ini membahas proses identifikasi kualitas daging sapi dengan
implementasi metode multiple linear regressi (MLR) pada fuzzy neural network
(FNN). Metode ini dikembangkan untuk menyempurnakan proses identifikasi
yang sudah ada sebelumnya. MLR mampu melakukan proses pengukuran
korelasi variable (X) dengan hasil keluaran (Y). Pendekatan dalam proses analisis
tersebut menggunakan pendekatan kuantitatif untuk melakukan pengukuran
dari beberapa aspek indikator yang digunakan dalam penentuan kualitas daging
sapi. Berdasarkan hasil uji korelasi dengan MLR membuktikan bahwa variabel
kandungan zat kimia (X1), bau (X2), warna (X3), dan tekstur daging (X4)
menghasilkan hubungan yang signifikan terhadap kualitas daging sapi (Y)
dengan nilai sebesar 96.5%. Hasil analisis MLR mampu memberikan gambaran
indikator variable yang tepat dalam proses analisis. Keluaran FNN juga
menyajikan hasil yang cukup akurat dengan nilai sebesar 99.88%. Dengan hasil
keluaran yang didapat, maka secara keseluruhan dapat disimpulkan bahwa
model analisis MLR dan FNN memberikan hasil analisis dengan tingkat akurasi
yang lebih baik dan efektif. Hasil tersebut mampu memberikan implikasi berupa
sebuah rekomendasi dalam bentuk pengetahuan dan informasi yang didapat
kepada masyarakat guna menentukan daging sapi yang baik dikonsumsi.
A B S T R A C T
The purpose of this study is to discuss the process of identifying beef quality with the implementation of the Multiple
Linear Regression (MLR) method on the Fuzzy Neural Network (FNN). This method was developed to improve the
identification process that already exists. MLR is capable of measuring the correlation variable (X) with the output (Y).
The approach in the analysis process uses a quantitative approach to measure several aspects of the indicators used in
determining beef quality. Based on the results of the correlation test with MLR proved that the variables Chemical
Content (X1), Odor (X2), Color (X3), and Meat Texture (X4) resulted in a significant relationship to beef quality (Y) with a
value of 96.5%. So that the results of the MLR analysis are able to provide an overview of the appropriate variable
indicators in the analysis process. The FNN output also presents quite accurate results with a value of 99.88%. so with the
outputs obtained, overall it can be concluded that the MLR and FNN analysis models provide analysis results with a better
and more effective level of accuracy. These results are able to provide implications in the form of a recommendation in
the form of knowledge and information obtained to the public in order to determine which beef is good for consumption.
1. PENDAHULUAN
Kebutuhan akan konsumsi daging sapi sangat berkembang pesat di kalangan masyarakat. Hal ini
dapat dilihat dari jumlah permintaan yang cukup tinggi sebesar 497.971,70 ton pada tahun 2018 (Sudibyo,
Kusumaningrum, Rachmawanto, & Sari, 2018). Daging sapi mengandung gizi dan menjadi sumber protein
yang dibutuhkan tubuh manusia (Usmiati, 2017; Wang, 2016). Untuk mendapatkan daging sapi kualitas
baik di konsumsi, maka masyarakat perlu menyadari akan bentuk dan ciri daging sapi yang sehat dan
aman. Hal ini merupakan sebuah upaya untuk menghindari resiko dari keracunan seperti sakit diare yang
ditimbulkan akibat mengonsumsi daging (Ichsan, 2019; Komolka, 2020). Oleh sebab itu, proses identifikasi
diperlukan untuk menentukan layak ata tidak daging sapi tersebut baik dikonsumsi (Tüzün,
2020),(Sihombing, Swacita, & Suada, 2020).
Dengan tingkat konsumsi daging yang cukup tinggi, tidak tertutup kemungkinan adanya daging
sapi yang tidak berkualitas baik masih diperjualbelikan. Untuk itu, masyarakat perlu dibekali pengetahuan
serta informasi yang tepat dalam menentukan kualitas daging sapi. Berdasarkan penjelasan tersebut, maka
proses analisis identifikasi dibutuhkan dalam menentukan kualitas pada daging sapi. Hasil keluaran yang
diberikan akan dapat dijadikan sebuah informasi yang dibutuhkan masyarakat agar lebih teliti untuk
mengonsumsi daging sapi. Proses identifikasi kualitas pada daging sapi bertujuan untuk menciptakan
Jurnal Sains dan Teknologi, Vol. 11, No. 1, 2022, pp. 93-105 94
JST. P-ISSN: 2303-3142 E-ISSN: 2548-8570
sebuah sistem untuk melakukan proses penentuan kualitas daging (Arsy, Nurhayati, & Martono, 2016).
Proses penentuan kualitas daging sapi dapat dilakukan dengan melakukan pengujian secara objektif
(Anastasya, Swacita, & Suada, 2020). Selain itu, proses identifikasi kesegaran daging sapi berkualitas dapat
dilihat berdasarkan citra daging itu sendiri (Asmara, Puspitasri, Romlah, H, & Romario, 2017). Proses
identifikasi citra pada daging dapat dilakukan dengan menggunakan fuzzy neural network (FNN) (Andaya,
Arboleda, Andilab, & Dellosa, 2019). Proses identifikasi FNN memberikan sistem kontrol dalam klasifikasi
(Kodogiannis, 2016).
Dari beberapa penjelasan penelitian terdahulu, terlihat bahwa sajian yang diberikan masih
memiliki kekurangan. Hal tersebut dapat terlihat dari tidak adanya proses pengukuran variabel yang
digunakan dalam identifikasi kualitas daging sapi. Secara umum penelitian terdahulu masih terfokus pada
proses identifikasi saja tanpa memperhatikan variabel yang digunakan. Oleh sebab itu, pembahasan
penelitian ini mengusulkan pengembangan model analisis yang sudah ada sebelumnya. Pengembangan
model analisis ini mengadopsi metode multiple linear regression (MLR) dan FNN pada proses identifikasi
kualitas daging sapi. Kombinasi metode ini diharapkan mampu memaksimalkan kinerja yang akan
dilakukan untuk memberikan hasil yang akurat. Implementasi MLR pada proses identifikasi ini menjadi
keterbaharuan yang diusulkan untuk menentukan kualitas daging sapi. Pada dasarnya MLR sudah banyak
digunakan untuk membuktikan hubungan yang terjadi pada variabel idenpenden (X) dengan variabel
dependen (Y) (Kenton, 2021; Wiedermann, 2015). Konsep MLR merupakan metode statistic yang mampu
menggambarkan dan menentukan hubungan antar variabel (Araiza-Aguilar, Rojas-Valencia, & Aguilar-Vera,
2020; Zaman & Alakus, 2019). Sejauh ini, MLR sudah banyak memberikan kontribusi besar untuk
menghasilkan model identifikasi yang dikembangkan dalam pemecahan masalah (Barhmi, 2020; Hahs-
Vaughn, Lomax, Hahs-Vaughn, & Lomax, 2020). Konsep artificial neural network (ANN) yang didasari pada
proses fuzzy dapat memberikan hasil yang efektif dalam proses analisis (Anastassiou & Iatan, 2016;
Beşikçi, 2016). Penjelasan lebih sederhana, FNN melakukan ekstraksi data yang di mulai dari proses fuzzy
yang menjadi kendali berupa pola dan aturan (Huanyao, 2016). Berdasarkan penelitian terdahulu,
dijelaskan bahwa FNN mampu memberikan hasil keluaran cukup akurat berdasarkan proses klasifikasi dan
identifikasi (Korshunova, 2018). FNN dapat dijadikan sistem kontrol pada proses identifikasi (Dai, Chen, &
Chen, 2017). Hasil FNN dapat memberikan model untuk melakukan pemecahan masalah dengan nilai
RMSE sebesar 2.399 (Utomo, Mahmudy, & Anam, 2017).
Proses kinerja metode fuzzy pada neural network dapat memberikan kejelasan dari variabel
jaringan yang bersifat kabur. Logika fuzzy ini mampu dapat diterapkan pada proses seperti pengenalan
pola, analisis, prediksi dan lainnya (Setia & Prasetyaningrum, 2019). Penjelasan dari penelitian yang
diusulkan oleh (Wardani, Nasution, & Amijaya, 2017) menyatakan bahwa logika fuzzy dapat
mengoptimalkan kinerja dari ANN untuk menghasilkan hasil yang optimal. Pembahasan terdahulu pada
proses identifikasi kualitas daging menerapkan konsep serta model yang masih sangat sederhana. Hal ini
dapat dilihat pada kasus penentuan kualitas daging dengan metode ANN memberikan keluaran dengan
nilai akurasi sebesar 92.5% (Ichsan, 2019). Berdasarkan pemaparan tersebut, model MLR dengan FNN
dapat dikembangkan dalam kasus penentuan kualitas daging. Proses kerja model ini dapat memberikan
perbedaan dari model sebelumnya yang hanya menyajikan proses identifikasi saja namun tidak
menganalisis variabel yang digunakan.
Penelitian sebelumnya menunjukkan bahwa kombinasi MLR dengan FNN dapat dijadikan sebuah
model pengembangan yang terstruktur untuk memberikan keluaran yang cukup baik berdasarkan variabel
dengan perhitungan aljabar (Sorkheh, Kazemifard, & Rajabpoor, 2018; Wong, 2020). Selain itu, model ini
juga mampu melakukan evaluasi pada pola yang terbentuk untuk mendapatkan hasil maksimum (Çerçi &
Hürdoğan, 2020). Secara umum, model ini sangat efektif dalam melakukan pemecahan masalah dan
digunakan sebagai pendekatan dalam memberikan solusi yang terbaik (Khademi, Akbari, Jamal, & Nikoo,
2017; Khashei, Zeinal Hamadani, & Bijari, 2012). Hasil identifikasi memberikan tingkat akurasi yang baik,
sehingga model ini sangat tepat diterapkan dalam identifikasi kualitas pada daging sapi. Tujuan penelitian
ini melakukan proses analisis penentuan kualitas daging menggunakan metode MLR dan FNN.
Keterbaharuan yang diusulkan dalam penelitian ini menyajikan proses pengujian korelasi hubungan
variable yang digunakan dengan MLR. engujian korelasi ini memberikan masukan dalam menentukan
variable dalam penentuan kualitas daging sapi. Secara keseluruahan manfaat yang didapat akan
memberikan informasi kepada masyarakat untuk dijadikan referensi dalam pemilihan kualitas daging.
2. METODE
Pendekatan pada penelitian ini menggunakan pendekatan kuantitatif berdasarkan penghitungan
matematis yang sudah dijelaskan sebelumnya. Adapun data yang didapat berdasarkan observasi lapangan
dengan melihat indikator berdasarkan kualitas daging. Dalam proses identifikasi yang digunakan, proses
Jurnal Sains dan Teknologi, Vol. 11, No. 1, 2022, pp. 93-105 95
Musli Yanto / Multiple Linear Regressi pada Fuzzy Neural Network (FNN) Penentuan Kualitas Daging Sapi
dimulai dari analisis variabel dengan MLR kemudian akan diteruskan dengan FNN untuk menghasilkan
keluaran identifikasi yang tepat dan akurat. Variabel yang akan digunakan mengacu kepada kondisi fisik
serta kategori kualitas pada daging sapi berdasarkan data sample yang didapat. Berdasarkan fakta, adapun
bentuk kualitas daging sapi dapat dikategorikan pada Tabel. 1.
Tabel 1. Bentuk Kualitas Daging Sapi
Kualitas Daging Sapi
Citra Daging
Tidak Baik
Baik
Sangat Baik
Tabel 1 menjelaskan bahwa ada 3 jenis klasifikasi kualitas daging sapi di antaranya kualitas tidak
baik, kualitas baik dan kualitas sangat baik. Tabel.1 juga menjadi variable output (Y) dalam proses
penentuan kualitas daging sapi. Dalam penelitian ini, adapun kegiatan yang dilakukan dalam proses
penentuan kualitas daging dapat di gambarkan pada model analisis penentuan kualitas daging terdapat
pada Gambar 1.
Gambar 1. Model Analisis Penentuan Kualitas Daging Sapi
Jurnal Sains dan Teknologi, Vol. 11, No. 1, 2022, pp. 93-105 96
JST. P-ISSN: 2303-3142 E-ISSN: 2548-8570
Gambar 1 menjelaskan bahwa model analisis identifikasi kualitas daging sapi memiliki beberapa
tahapan sebagai berikut. Proses dimulai dari analisis data pada proses kerja identifikasi. Selanjutnya
penentuan variabel dalam identifikasi kualitas daging. Setelah variabel di dapat, maka lakukan uji analisis
korelasi dengan MLR. Jika hasil uji memberikan hubungan yang signifikan terhadap keluaran, maka proses
dilanjutkan. Jika tidak, maka proses akan diulang kembali dari proses analisis data. Setelah analisis MLR,
maka proses fuzzy di mulai. Proses ini merupakan langkah awal dalam FNN. Fuzzy bertujuan untuk
membentuk aturan identifikasi yang akan dilakukan ANN. Adapun proses fuzzy dimulai dari fuzzyfikasi,
pembentukan rule, mesin inferensi, dan terakhir adalah proses defuzzyfikasi.
Setelah proses fuzzy dilakukan, maka tahapan penelitian ini akan dilanjutkan pada pembentukan
pola jaringan. Tahapan ini akan mengacu pada rule yang terbentuk dari proses fuzzy. Setelah pola
terbentuk, proses pelatihan dan pengujian jaringan akan dilakukan untuk mendapatkan pola terbaik.
Tahap akhir dari proses penentuan kualitas pada daging adalah proses identifikasi dengan menggunakan
ANN untuk menghasilkan hasil yang tepat dan akurat.
Multiple Regressi Linear (MLR)
Analisis MLR dilakukan untuk mengukur tingkat hubungan variabel yang digunakan dengan
keluaran pada proses identifikasi kualitas daging sapi. MLR merupakan sebuah metode yang digunakan
untuk pengukuran variabel dengan model matematis. Adapun formula yang digunakan dapat dilihat pada
Persamaan.1 (Isra Mirandha, 2017):
Y = α + β1X1 + β2 X2 + β3 X3 + β4 X4 + e
(1)
Persamaan 1 menjelaskan proses pengujian analisis MLR. Y merupakan persamaan yang
digunakan untuk melakukan uji regressi. α adalah nilai konstanta yang didapat. X1, x2, x3 dan x4 adalah
variable yang digunakan dalam pengujian regressi. Dalam hal ini, hubungan variabel tersebut dapat
disajikan pada proses uji R.Square. Adapun formula yang digunakan dapat dilihat pada Persamaan.2
(Izzah & Widyastuti, 2017).
R2 = 1 -
(2)
Persamaan 2 menjelaskan bahwa Yi merupakan respon ke-i. Ý juga merupakan nilai rata-rata yang
didapat dan Ýi adalah hasil. Dengan persamaan tersebut maka pengujian variable akan memberikan
masukan keterkaitan indicator yang digunakan dalam penentuan kualitas daging sapi.
Logika Fuzzy
Konsep logika fuzzy merupakan sebuah cabang ilmu kecerdasan buatan yang dapat memecahkan
masalah dan memiliki unsur ketidakpastian (Nasir, 2017). Dalam penjelasan lainnya menjelaskan bahwa
logika fuzzy adalah sebuah cara yang digunakan untuk memetakan masalah yang dimasukkan ke dalam
wadah input untuk dimasukan ke ruang output (Nasir, 2017). Adapun tahapan dalam konsep fuzzy
dimulai dari pembentukan himpunan, menentukan fungsi implikasi, pembentukan aturan, dan
defuzzyfikasi. Persamaan dalam logika fuzzy ini dapat dilihat pada Persamaan.3 (Maharani & Candra,
2021).
(3)
Persamaan 3 di atas menjelaskan bahwa µsf[Xi] merupakan nilai anggota solusi yang dihasilkan
fuzzy dalam bentuk aturan. Sementara µsf[Xi] adalah nilai keanggotaan dari konsekuen fuzzy untuk setiap
aturan yang dihasilkan.
Artificial Neural Network (ANN)
Jaringan saraf tiruan atau disebut juga dengan ANN merupakan sebuah metode yang dapat
melakukan proses penghitungan dengan menerapkan kecerdasan manusia (Pasini, 2015), (Mahendra,
Kartini, & Haryudo, 2021). Pada penjelasan yang lainnya juga menjelaskan bahwa ANN merupakan
konsep yang menyerupai prinsip berpikir manusia secara komputasi dalam penyelesaian masalah
(Villarrubia, 2018),(Baskoro, Alamsyah, & Suprianto, 2021).
Penerapannya ANN dapat mengadopsi model adatif dalam melakukan pembelajaran untuk
menghasilkan hasil keluaran yang baik sebagai solusi terhadap sebuah masalah (Silva, 2016),(Nasution,
Lubis, & Cipta, 2021). ANN juga merupakan sebuah konsep yang banyak diinterpretasikan dalam sebuah
kasus seperti identfikasi, klasifikasi, dan prediksi (Alić, 2016), (Adams, Carleo, Lovato, & Rocco, 2021).
Jurnal Sains dan Teknologi, Vol. 11, No. 1, 2022, pp. 93-105 97
Musli Yanto / Multiple Linear Regressi pada Fuzzy Neural Network (FNN) Penentuan Kualitas Daging Sapi
3. HASIL DAN PEMBAHASAN
Hasil Proses analisis dalam penentuan kualitas daging sapi dimulai dari proses analisis menggunakan
MLR. Pada dasarnya MLR digunakan untuk mengukur pola analisis berdasarkan indikator variabel(Yanto,
Sanjaya, Yulasmi, Guswandi, & Arlis, 2021). Adapun pola yang digunakan dapat disajikan pada Tabel.2.
Tabel 2. Pola Analisis Penentuan Kualitas Daging Sapi
Formalin
Bau
Warna
Teksture
Harga
Tempat Penjual
Waktu
Ketahanan
Kualitas
27
34
11
2
100000
Pasar Tradisional
Sebentar
Tidak Baik
39
2
40
94
130000
Pasar Modren
Lama
Baik
16
40
68
6
100000
Pasar Tradisional
Lama
Tidak Baik
15
11
52
61
135000
Pasar Tradisional
Lama
Baik
23
40
51
91
130000
Pasar Tradisional
Lama
Baik
3
19
97
37
95000
Pasar Tradisional
Sebentar
Tidak Baik
36
13
85
64
130000
Pasar Modren
Lama
Baik
19
13
86
88
125000
Pasar Modren
Lama
Baik
35
42
6
38
100000
Pasar Tradisional
Lama
Tidak Baik
8
45
22
74
130000
Pasar Tradisional
Lama
Baik
15
46
3
93
150000
Pasar Modren
Lama
Sangat Baik
8
50
95
40
100000
Pasar Tradisional
Sebentar
Tidak Baik
Tabel 2 menjelaskan bahwa pola penentuan kaualitas daging sapi dibentuk dengan menggunakan
indikator variabel yang didapat dari proses penelusuran dengan pendekatan observasi lapangan. Pola
tersebut nantinya akan diukur serta di uji menggunakan konsep MLR guna melihat besaran kekuatan yang
didapat dalam proses penentuan kualitas daging sapi. Adapun proses pengukuran analisis digunakan.
MLR Uji R.Square (Correlation)
Proses pengujian tersaji dalam perhitungan untuk melihat hubungan korelasi antarvariable
predictor (X) dan keluaran hasil (Y) (Ciulla, 2019). hasil pengukuran tersebut dapat dilihat berdasarkan
hasil perhitungan R. Square yang terdapat pada Tabel. 3.
Tabel 3. Hasil Uji R.Square
Model Summary
Model
R
R Square
Adjusted R Square
Std. Error of the Estimate
1
0,982
0,965
0,959
0,10528
Tabel 3 di atas dapat menunjukkan hasil tingkat hubungan keseluruhan variabel terhadap
keluaran kualitas daging sapi memiliki tingkat hubungan sebesar 96.5%. Hasil membuktikan bahwa
indikator variabel yang digunakan sudah terlihat tepat dalam penentuan kualitas daging sapi.
Komparasi Multivariabel (ANOVA) dan Uji Koefesien Coefficient
Setelah melakukan proses uji dengan R.Square, proses analisis MLR dilanjutkan untuk mengukur
komparasi multivariabel (ANOVA). Hasil pengukuran ANOVA tersebut dapat memperkuat hasil
perhitungan R. Square sebelumnya yang ada pada Tabel 3 untuk hasil pengukuran ANOVA dapat dilihat
pada Tabel 4.
Tabel 4. Tabel Uji Antar Variabel (ANOVA)
ANOVAa
Model
Sum of
Squares
df
Mean Square
F
Sig.
1
Regression
13,86
7
1,98
178,634
.000b
Residual
0,51
46
0,011
Total
14,37
53
Jurnal Sains dan Teknologi, Vol. 11, No. 1, 2022, pp. 93-105 98
JST. P-ISSN: 2303-3142 E-ISSN: 2548-8570
Tabel 5. Nilai uji Coefficients dari Variabel
Coefficients
Model
Unstandart Coefficients
Standard
Coefficients
t
Sig.
B
Std. Error
Beta
1
(Constant)
-2,342
0,142
-16,454
0,000
Formalin
-0,001
0,001
-0,043
-1,394
0,002
Bau
0,001
0,001
0,057
1,895
0,004
Warna
3,108E-05
0,000
0,002
0,074
0,004
Teksture
0,000
0,001
0,021
0,624
0,001
Harga
3,278E-05
0,000
0,932
24,566
0,069
Tempat Penjual
0,127
0,051
0,092
2,499
0,161
Waktu Ketahanan
-0,049
0,034
-0,043
-1,414
0,184
Berdasarkan proses uji koefesien pada Tabel 5 menunjukkan bahwa variabel (X) yang
memengaruhi keluaran hasil penentuan kualitas daging sapi (Y) di antaranya adalah formalin (X1), bau
(X2), warna (X3), dan tekstur (X4). Variabel tersebut dapat digunakan untuk membentuk pola jaringan
dalam proses identifikasi kualitas daging sapi.
Analisis Fuzzy
Proses analisis logika fuzzy bertujuan untuk dapat menemukan pola kepastian dalam proses
identifikasi (Leung, 2020). Adapun model rancangan logika fuzzy dapat di lihat pada Gambar 2.
Gambar 2. Model Logika Fuzzy Penentuan Kualitas Daging
Pada Gambar 2 terlihat 4 variabel yang digunakan dengan pendekatan yang dipakai pada proses
ini adalah mamdani. Variabel yang digunakan dalam menentukan kualitas daging di antaranya :
kandungan zat kimia atau zat formalin (X1), bau (X2), warna (X3), dan tekstur (X4) bentuk fisik pada
daging yang terlihat. Variabel ini sejalan dengan penelitian yang juga sudah dilakukan sebelumnya dalam
pendeteksian kualitas daging (Herlambang, Nurhayati, & Martono, 2016). Tahap awal pada logika fuzzy
yakni melakukan proses fuzzyfikasi dengan menentukan range atau batasan nilai sebagai parameter
pengukuruan (Zadeh, 2015). Adapun tahap tersebut dapat digambarkan pada Tabel 6.
Tabel 6. Fuzzyfikasi Variabel dengan Matlab
Variabel
Bentuk Grafik Variabel
(X1) Formalin
(X2) Bau
Jurnal Sains dan Teknologi, Vol. 11, No. 1, 2022, pp. 93-105 99
Musli Yanto / Multiple Linear Regressi pada Fuzzy Neural Network (FNN) Penentuan Kualitas Daging Sapi
(X3) Warna
(X4) Tekstur
Terlihat dari Tabel 6 bahwa parameter dari tiap himpunan variabel dapat digambarkan dengan
bentuk kurva dari keluaran sebuah grafik. Setelah proses tahap fuzzyfikasi dilakukan, maka proses akan
dilanjutkan pada pembentukan rule. Proses ini digunakan untuk menjadi knowladge based dari proses
penentuan kualitas pada daging. Setelah pembentukan rule didapat, proses fuzzy masih lanjut dalam
tahap mesin inferensi. Proses ini, bertujuan untuk menguji rule yang terbentuk agar nantinya bisa
diterapkan pada proses penentuan kualitas dengan neural network. Dari poses mesin inferensi yang
sudah dilakukan pada logika fuzzy, menunjukan bahwa aturan yang terbentuk dapat diimplementasikan
kedalam metode neural network(Astuti, Muslim, & Sugiharti, 2019). Adapun proses inferesi yang sudah
dilakukan dapat dilihat pada Gambar 3.
Gambar 3. Hasil Proses Mesin Inferensi logika Fuzzy
Dari Gambar 3 yang disajikan di atas, terlihat bahwa pola aturan dari rule fuzzy yang terbentuk
dapat digunakan dalam melihat dan menentukan kualitas daging sapi.
Fuzzy Neural Network (FNN)
Pada proses metode FNN menentukan kualitas daging, proses dimulai untuk melakukan
transformasi data atau variabel yang didapat dari aturan pada proses sebelumnya. Adapun hasil proses
transformasi yang dilakukan dapat dilihat pada Tabel. 7.
Tabel 7. Hasil Proses Transformasi Data
X1
X2
X3
X4
Y
0.1000
0.5000
0.1000
0.1000
0.1000
0.1000
0.5000
0.1000
0.5000
0.1000
0.1000
0.5000
0.1000
0.9000
0.5000
0.1000
0.5000
0.5000
0.1000
0.1000
0.1000
0.5000
0.5000
0.5000
0.5000
Jurnal Sains dan Teknologi, Vol. 11, No. 1, 2022, pp. 93-105 100
JST. P-ISSN: 2303-3142 E-ISSN: 2548-8570
X1
X2
X3
X4
Y
0.1000
0.5000
0.5000
0.9000
0.5000
0.1000
0.5000
0.9000
0.1000
0.1000
0.1000
0.5000
0.9000
0.5000
0.5000
0.1000
0.5000
0.9000
0.9000
0.5000
0.1000
0.1000
0.9000
0.1000
0.1000
0.1000
0.1000
0.9000
0.5000
0.5000
0.9000
0.1000
0.5000
0.1000
0.1000
0.9000
0.1000
0.5000
0.5000
0.1000
0.9000
0.1000
0.5000
0.9000
0.1000
0.9000
0.1000
0.9000
0.1000
0.1000
0.9000
0.1000
0.9000
0.5000
0.1000
0.9000
0.1000
0.9000
0.9000
0.1000
Setelah proses transformasi dilakukan, proses dilanjutkan dalam proses pelatihan dan pengujian
jaringan dari beberapa pola. Proses ini memiliki tujuan untuk menemukan jaringan yang terbaik untuk
proses identifikasi kualitas pada daging sapi. Berdasarkan proses yang sudah dilakukan maka pola
jaringan terbaik didapat adalah model pola 4-10-1. Pola ini nantinya akan digunakan dalam proses
penentuan kualitas daging sehingga hasil dari proses identifikasi akan memberikan hasil keluaran yang
tepat dan akurat. Adapun pola jaringan dalam penentuan kualitas daging sapi dapat dilihat pada Gambar
4.
Gambar 4. Pola Jaringan Penentuan Kualitas Daging
Berdasarkan pola jaringan yang terdapat pada Gambar 4 dinjelaskan bahwa proses penentuan
kualitas daging dapat dilakukan dengan menggunakan pendekatan jaringan propagasi balik. Adapun hasil
yang diberikan dapat dilihat pada Gambar 5.
Jurnal Sains dan Teknologi, Vol. 11, No. 1, 2022, pp. 93-105 101
Musli Yanto / Multiple Linear Regressi pada Fuzzy Neural Network (FNN) Penentuan Kualitas Daging Sapi
Gambar 5. Hasil Proses Penentuan Kualitas Daging Dengan FNN
Berdasarkan Gambar 5 menjelaskan bahwa proses identifikasi dapat menentukan kualitas daging
sapi. Berikut hasil perbandingan keluaran jaringan yang dapat dilihat pada Tabel. 7.
Tabel 8. Perbandingan Hasil Keluaran Proses Logika Fuzzy dan Neural Network
Output Fuzzy
Output FNN
0.1000
0.1530
0.1000
0.1690
0.5000
0.4725
0.1000
0.1665
0.5000
0.4952
0.5000
0.5212
0.1000
0.1591
0.5000
0.4838
0.5000
0.6272
0.1000
0.0802
0.5000
0.2348
0.1000
0.2515
0.1000
0.0362
0.1000
0.0352
0.1000
0.0710
0.1000
0.0825
0.1000
0.1443
Berdasarkan Tabel 7 di atas, dapat dilihat bahwa semua keluaran sudah memiliki nilai yang sama
dalam menentukan kualitas daging. Kesamaan nilai ini dapat dilihat pada proses fuzzyfikasi di awal dalam
menentukan range dan himpunan semesta pada logika fuzzy. Untuk meyakinkan hasil keluaran dari
proses penentuan kualitas daging sapi, maka diperlukan pengukuran nilai Mean Sequare Error (MSE),
Mean Average Percentage Error (MAPE) serta nilai akurasi (Widodo, Sarwoko, & Firdaus, 2017). Proses
tersebut dapat dilakukan dengan menggunakan persamaan:
MSE =
(
3)
MAPE =
X 100 %
(
4)
Acurracy = 100 % - MAPE
(
5)
Hasil penghitungan berdasarkan rumus diatas untuk mengetahui nilai kesalahan berdasarkan
MSE, MAPE, dan nilai akurasi keluaran pada proses identifikasi, menunjukan bahwa nilai MSE keluaran
jaringan sebesar 0.4894, nilai MAPE sebesar 0.12% dan tingkat akurasi yang diberikan sebesar 99.88%.
Jurnal Sains dan Teknologi, Vol. 11, No. 1, 2022, pp. 93-105 102
JST. P-ISSN: 2303-3142 E-ISSN: 2548-8570
Pembahasan
Daging merupakan bahan pangan yang sangat dibutuhkan oleh tubuh karena mengandung gizi,
protein, lemak, serta mineral yang tinggi. Salah satunya adalah daging sapi. Daging sapi diharpakan
memiliki kualitas yang layak untuk dikonsumsi. Daging yang memiliki kualitas yang bagus tentunya akan
mudah untuk diolah serta menghasilkan makananan yang tinggi gizi. Untuk memperoleh kualitas daging
sapi yang bagus, perlu dilakukan identifikasi kualitas pada daging sapi (Arsy et al., 2016). Proses
identifikasi citra pada daging dapat dilakukan dengan menggunakan fuzzy neural network (FNN) (Andaya
et al., 2019). Proses identifikasi FNN memberikan sistem kontrol dalam klasifikasi (Kodogiannis, 2016).
FNN merupakan suatu model yang dilatih menggunakan ANN, namun struktur jaringannya
diinterpretasikan dengan sekelompok aturan-aturan fuzzy. Keuntungan utama menggunakan FNN adalah
proses fuzzifikasi hingga defuzzifikasi dapat menghasilkan keluaran yang lebih rasional untuk dapat dilatih
menggunakan algoritma pembelajaran yang digunakan pada ANN.
Proses identifikasi FNN ini diawali dengan proses analisis menggunakan MLR. Pada dasarnya
MLR digunakan untuk mengukur pola analisis berdasarkan indikator variable (Yanto et al., 2021).
Pengukuran yang digunakan adalah dimulai dengan Uji R. Square yaitu sebuah konsep yang terdapat
dalam MLR yang digunakan dalam pengukuran hubungan variable (Li et al., 2021). Hasilnya
menunjukkan bahwa indikator variabel yang digunakan sudah terlihat tepat dalam penentuan kualitas
daging sapi. Dilanjutkan dengan mengukur komparasi multivariabel (ANOVA). Pada dasarnya pengukuran
melakukan perhitungan dengan melihat hubungan dari tiap tiap indikator variabel (Jan, 2017). Tujuan
pengukuran juga mampu menemukan perbedaan dari setiap variabel indikator pada pola data yang
digunakan. Secara sederhana pengujian ANOVA dilakukan untuk melihat dan memastikan setiap
hubungan antar variabel (X) terhadap (Y)(Garcia-Guiliany, De-La-hoz-franco, Rodríguez-Toscano, De-La-
hoz-hernández, & Hernandez-Palma, 2020).
Langkah selanjutnya adalah analisi guzzy. Proses analisis logika fuzzy bertujuan untuk dapat
menemukan pola kepastian dalam proses identifikasi (Leung, 2020). Pola ini di dapat berdasarkan aturan
rule yang terbentuk dan telah diuji pada proses mesin inferensi. Untuk menyempunakan model analisis
yang diusulkan, maka pembahasan akan dilanjutkan untuk menguji pola aturan dari rule dengan konsep
neural network. Rule yang digunakan dalam neural network dapat dijadikan sebagai neuron pada jaringan
saraf atau bisa disebut dengan neuro-fuzzy (Yazdanbakhsh & Dick, 2019). FNN merupakan kombinasi
metode yang bertujuan untuk mengoptimalkan dari sebuah proses. Metode ini menyajikan nilai dalam
bentuk interval didalam jaringan saraf berdasarkan data fuzzy (Yeylaghi, Otadi, & Imankhan, 2017). Untuk
meyakinkan hasil keluaran dari proses penentuan kualitas daging sapi, maka diperlukan pengukuran nilai
mean sequare error (MSE), mean average percentage error (MAPE), serta nilai akurasi (Widodo et al.,
2017). Dari hasil tersebut, dapat dinyatakan bahwa proses penentuan kualitas daging sapi dengan model
analisis yang dikembangkan menggunakan MLR dan FNN dapat memberikan hasil keluaran identifikasi
yang cukup tepat dan akurat. Hasil penelitian sebelumnyya juga menunjukkan bahwa model ini juga
mampu melakukan evaluasi pada pola yang terbentuk untuk mendapatkan hasil maksimum (Çerçi &
Hürdoğan, 2020). Secara umum, model ini sangat efektif dalam melakukan pemecahan masalah dan
digunakan sebagai pendekatan dalam memberikan solusi yang terbaik (Khademi et al., 2017; Khashei et
al., 2012). Model multiple linear regression memiliki tingkat kehandalan dan kecocokan sebesar 57,78%
(Budiman & Akhlakulkarimah, 2015).
4. SIMPULAN
Dari hasil pembahasan yang sudah dilakukan pada proses identifikasi menggunakan model
analisis MLR dan FNN dapat disimpulkan bahwa model analisis yang dikembangkan memberikan hasil
yang lebih baik dari proses analisis sebelumnya. Berdasarkan hasil uji dan pengukuran MLR menunjukan
hasil yang cukup signifikan, sehingga menghasilkan aturan pola yang tepat dalam proses penentuan
kualitas daging sapi. Analisis FNN juga memberikan hasil yang optimal dengan tingkat akurasi yang sangat
baik dan kesalahah yang relatif kecil. Dengan hasil analisis yang didapat sudah cukup membuktikan
bahwa model analisis yang dikembangkan sangat cocok diterapkan pada proses identifikasi kualitas
daging sapi. Dengan demikian, secara keseluruhan, manfaat yang didapat akan dijadikan salah satu
alternatif solusi terbaik guna menentukan kualitas daging sapi.
5. DAFTAR PUSTAKA
Adams, C., Carleo, G., Lovato, A., & Rocco, N. (2021). Variational Monte Carlo Calculations of A≤ 4 Nuclei with
An Artificial Neural-Network Correlator Ansatz. Physical Review Letters, 127(2), 22502.
Alić, B. (2016). Classification of Stress Recognition Using Artificial Neural Network. 2016 5th Mediterranean
Jurnal Sains dan Teknologi, Vol. 11, No. 1, 2022, pp. 93-105 103
Musli Yanto / Multiple Linear Regressi pada Fuzzy Neural Network (FNN) Penentuan Kualitas Daging Sapi
Conference on Embedded Computing, MECO 2016 - Including ECyPS 2016, BIOENG.MED 2016, MECO:
Student Challenge 2016. https://doi.org/10.1109/MECO.2016.7525765.
Anastassiou, G. A., & Iatan, I. F. (2016). A Recurrent Neural Fuzzy Network. Journal of Computational
Analysis and Applications, 20(2), 213–225.
Anastasya, S., Swacita, I. B. N., & Suada, I. K. (2020). Perbandingan Kualitas Fisik Objektif Daging Sapi Bali
Produksi Rumah Pemotongan Hewan Karangasem, Klungkung, dan Gianyar. Indonesia Medicus
Veterinus, 9(3), 361–369. https://doi.org/10.19087/imv.2020.9.3.361.
Andaya, A. E., Arboleda, E. R., Andilab, A. A., & Dellosa, R. M. (2019). Meat Marbling Scoring Using Image
Processing with Fuzzy Logic Based Classifier. International Journal of Scientific and Technology
Research, 8(8), 1442–1445.
Araiza-Aguilar, J. A., Rojas-Valencia, M. N., & Aguilar-Vera, R. A. (2020). Forecast Generation Model of
Municipal Solid Waste Using Mlinear Regression. Global Journal of Environmental Science and
Management, 6(1), 1–14. https://doi.org/10.22034/gjesm.2020.01.01.
Arsy, L., Nurhayati, O. D., & Martono, K. T. (2016). Application of Digital Meat Detection Image Processing
Using the K-Mean Clustering Segmentation Method Based on Open CV and Eclipse. Jurnal Teknologi
Dan Sistem Komputer, 4(2), 322.
Asmara, R. A., Puspitasri, D., Romlah, S., H, Q., & Romario, R. (2017). Identifikasi Kesegaran Daging Sapi
Berdasarkan Citranya dengan Ekstraksi Fitur Warna dan Teksturnya Menggunakan Metode Gray
Level Co-Occurrence Matrix. Prosiding SENTIA, 9, 89–94.
Astuti, W. T., Muslim, M. A., & Sugiharti, E. (2019). The Implementation of The Neuro Fuzzy Method Using
Information Gain for Improving Accuracy in Determination of Landslide Prone Areas. Scientific
Journal of Informatics, 6(1), 95–105. https://doi.org/10.15294/sji.v6i1.16648.
Barhmi, S. (2020). Forecasting of Wind Speed Using Multiple Linear Regression and Artificial Neural
Networks. Energy Systems, 11(4), 935–946. https://doi.org/10.1007/s12667-019-00338-y.
Baskoro, F., Alamsyah, F., & Suprianto, B. (2021). Peramalan Beban Listrik Harian Menggunakan Artificial
Neural Network. Jurnal Teknik Elektro, 10(1), 203–209.
Beşikçi, E. B. (2016). An Artificial Neural Network Based Decision Support System for Energy Efficient Ship
Operations. Computers and Operations Research, 66, 393–401.
https://doi.org/10.1016/j.cor.2015.04.004.
Budiman, I., & Akhlakulkarimah, A. N. (2015). Aplikasi Data Mining Menggunakan Multiple Linear
Regression untuk Pengenalan Pola Curah Hujan. JURNAL ILMIAH ILMU KOMPUTER, 2(1).
https://doi.org/10.20527/klik.v2i1.16.
Çerçi, K. N., & Hürdoğan, E. (2020). Comparative Study of Multiple Linear Regression (MLR) and Artificial
Neural Network (ANN) Techniques to Model A Solid Desiccant Wheel. International
Communications in Heat and Mass Transfer, 116.
https://doi.org/10.1016/j.icheatmasstransfer.2020.104713.
Ciulla, G. (2019). Building Energy Performance Forecasting: A multiple Linear Regression Approach.
Applied Energy, 253. https://doi.org/10.1016/j.apenergy.2019.113500.
Dai, B., Chen, R., & Chen, R. C. (2017). Temperature Control with Fzzy Neural Network. In Proceedings - 2017
IEEE 8th International Conference on Awareness Science and Technology, iCAST 2017 (Vol. 2018-
Janua, pp. 452–455). https://doi.org/10.1109/ICAwST.2017.8256499.
Garcia-Guiliany, J., De-La-hoz-franco, E., Rodríguez-Toscano, A. D., De-La-hoz-hernández, J. D., & Hernandez-
Palma, H. G. (2020). Multiple Linear Regression Model Applied to The Projection of Electricity
Demand in Colombia. International Journal of Energy Economics and Policy, 10(1), 419–422.
https://doi.org/10.32479/ijeep.7813.
Hahs-Vaughn, D. L., Lomax, R. G., Hahs-Vaughn, D. L., & Lomax, R. G. (2020). Multiple Linear Regression. In
An Introduction to Statistical Concepts (pp. 923–995). https://doi.org/10.4324/9781315624358-
18.
Herlambang, A. S., Nurhayati, O. D., & Martono, K. T. (2016). Sistem Pendeteksi Kualitas Daging dengan
Ekualisasi Histogram dan Thresholding Berbasis Android. Jurnal Teknologi Dan Sistem Komputer,
4(2), 404. https://doi.org/10.14710/jtsiskom.4.2.2016.404-413.
Huanyao, Q. (2016). The Reserch of Variable Structure Fuzzy Neural Network Control System. In
Proceedings of 2016 IEEE International Conference of Online Analysis and Computing Science, ICOACS
2016 (pp. 273–276). https://doi.org/10.1109/ICOACS.2016.7563095.
Ichsan, H. B. F. D. S. M. H. H. (2019). Implementasi Sistem Penentuan Kesegaran Daging Sapi Lokal
Berdasarkan Warna dan Kadar Amonia dengan Metode Jaringan Saraf Tiruan Berbasis Embedded
System. Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3, 3955–3962.
Isra Mirandha, I. (2017). Pengaruh Tampilan Etalase, Pendekatan Promosi, Gaya Hidup Berbelanja, dan
Karyawan Toko terhadap Pembelian Impulsif pada Pengunjung Hermes Palace Mall Kota Banda
Jurnal Sains dan Teknologi, Vol. 11, No. 1, 2022, pp. 93-105 104
JST. P-ISSN: 2303-3142 E-ISSN: 2548-8570
Aceh. Jurnal Ilmiah Mahasiswa Ekonomi Manajemen, 2(3).
Izzah, A., & Widyastuti, R. (2017). Prediksi Harga Saham Menggunakan Improved Multiple Linear
Regression untuk Pencegahan Data Outlier. Kinetik: Game Technology, Information System,
Computer Network, Computing, Electronics, and Control, 141–150.
Jan, B. (2017). Analysis of Variability of Atmospheric Pollutants in Ambient Air of Metropolitan City Karachi,
and Environmental Sustainability. Journal of Basic & Applied Sciences, 13, 311–315.
https://doi.org/10.6000/1927-5129.2017.13.51.
Kenton, W. (2021). Multiple Linear Regression (MLR) Definition.
Khademi, F., Akbari, M., Jamal, S. M., & Nikoo, M. (2017). Multiple Linear Regression, Artificial Neural
Network, and Fuzzy Logic Prediction of 28 Days Compressive Strength of Concrete. Frontiers of
Structural and Civil Engineering, 11(1), 90–99. https://doi.org/10.1007/s11709-016-0363-9.
Khashei, M., Zeinal Hamadani, A., & Bijari, M. (2012). A Novel Hybrid Classification Model of Artificial Neural
Networks and Multiple Linear Regression Models. Expert Systems with Applications, 39(3), 2606–
2620. https://doi.org/10.1016/j.eswa.2011.08.116.
Kodogiannis, V. (2016). A Fuzzy-Wavelet Neural Network Model for The Detection of Meat Spoilage Using
An Electronic Nose. 2016 IEEE International Conference on Fuzzy Systems, FUZZ-IEEE 2016.
https://doi.org/10.1109/FUZZ-IEEE.2016.7737757.
Komolka, K. (2020). Determination and Comparison of Physaical Meat Quality Parameters of Percidae and
Salmonidae in Aquaculture. Foods, 9(4). https://doi.org/10.3390/foods9040388.
Korshunova, K. P. (2018). A Convolutional Fuzzy Neural Network for Image Classification. In RPC 2018 -
Proceedings of the 3rd Russian-Pacific Conference on Computer Technology and Applications.
https://doi.org/10.1109/RPC.2018.8482211.
Leung, Y. (2020). Fuzzy Set and Fuzzy Logic. In International Encyclopedia of Human Geography (pp. 247–
251). https://doi.org/10.1016/b978-0-08-102295-5.10380-4.
Li, J., Fu, X., Lv, J., Cui, L., Li, R., Bai, A., … Tang, X. (2021). Multiple Regression Analysis of Perinatal
Conditions, Physical Development, and Complications in Assisted Reproduction Singletons.
Translational Pediatrics, 10(9), 2347.
Maharani, N. N., & Candra, F. (2021). Aplikasi Smartdiet Menggunakan Logika Fuzzy Berbasis Android.
Mahendra, P. A., Kartini, U. T., & Haryudo, S. I. (2021). Peramalan Susut Energi Jangka Pendek Menggunakan
Metode Fuzzy Logic dan Feed Forward Neural Network Berdasarkan Keseimbangan Beban. Jurnal
Teknik Elektro, 10(2), 453–462.
Nasir, J. (2017). Analisis Fuzzy Logic Menentukan Pemilihan Motor Honda dengan Metode Mamdani. Edik
Informatika, 3(2), 177–186.
Nasution, S. Z., Lubis, R. S., & Cipta, H. (2021). Penerapan Metode Jaringan Syaraf Tiruan Backpropagation
dalam Memprediksi Jumlah Mahasiswa Matematika Fakultas Sains dan Teknologi Universitas Islam
Negeri Sumatera Utara Medan. THETA: Jurnal Pendidikan Matematika, 3(1), 41–45.
Pasini, A. (2015). Artificial Neural Networks for Small Dataset Analysis. Journal of Thoracic Disease, 7(5),
953–960. https://doi.org/10.3978/j.issn.2072-1439.2015.04.61.
Setia, B., & Prasetyaningrum, P. T. (2019). Penerapan Metode Logika Fuzzy. Jurnal Sistem Cerdas (Vol. 2).
Sihombing, V. E., Swacita, I. B. N., & Suada, I. K. (2020). Perbandingan Uji Subjektif Kualitas Daging Sapi Bali
Produksi Rumah Pemotongan Hewan Gianyar, Klungkung, dan Karangasem. Indonesia Medicus
Veterinus, 9(1), 99–106. https://doi.org/10.19087/imv.2020.9.1.99.
Silva, I. N. da. (2016). Artificial Neural Networks: A Practical Course. Artificial Neural Networks: A Practical
Course. https://doi.org/10.1007/978-3-319-43162-8.
Sorkheh, K., Kazemifard, A., & Rajabpoor, S. (2018). A Comparative Study of Fuzzy Linear Regression and
Multiple Linear Regression in Agricultural Studies: A Case Study of Lentil Yield Management.
Turkish Journal of Agriculture and Forestry, 42(6), 402–411. https://doi.org/10.3906/tar-1709-57.
Sudibyo, U., Kusumaningrum, D. P., Rachmawanto, E. H., & Sari, C. A. (2018). OPTIMASI Algoritma Learning
Vector Quantization (Lvq) dalam Pengklasifikasian Citra Daging Sapi dan Daging Babi Berbasis
Glcm dan HSV. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 9(1), 1–10.
https://doi.org/10.24176/simet.v9i1.1943.
Tüzün, A. E. (2020). Determination of Meat Quality in Extensively Reared Akkaraman Sheep Breed. IFMBE
Proceedings. https://doi.org/10.1007/978-3-030-40049-1_23.
Usmiati, S. (2017). KEEMPUKAN DAGING: Faktor yang Mempengaruhi dan Cara Memperoleh Keempukan
Daging.
Utomo, M. C. C., Mahmudy, W. F., & Anam, S. (2017). Kombinasi Logika Fuzzy dan Jaringan Syaraf Tiruan
untuk Prakiraan Curah Hujan Timeseries di Area Puspo – Jawa Timur. Jurnal Teknologi Informasi
Dan Ilmu Komputer, 4(3). https://doi.org/10.25126/jtiik.201743299.
Villarrubia, G. (2018). Artificial Neural Networks Used in Optimization Problems. Neurocomputing, 272, 10–
Jurnal Sains dan Teknologi, Vol. 11, No. 1, 2022, pp. 93-105 105
Musli Yanto / Multiple Linear Regressi pada Fuzzy Neural Network (FNN) Penentuan Kualitas Daging Sapi
16. https://doi.org/10.1016/j.neucom.2017.04.075.
Wang, W. (2016). A Non-Destructive Detection System for Determination of Multi-Quality Parameters of
Meat. 2016 American Society of Agricultural and Biological Engineers Annual International Meeting,
ASABE 2016. https://doi.org/10.13031/aim.20162461187.
Wardani, A. R., Nasution, Y. N., & Amijaya, F. D. T. (2017). Aplikasi Logika Fuzzy dalam Mengoptimalkan
Produksi Minyak Kelapa Sawit Dd PT. Waru Kaltim Plantation Menggunakan Metode Mamdani.
Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer, 12(2), 94.
https://doi.org/10.30872/jim.v12i2.651.
Widodo, A. P., Sarwoko, E. A., & Firdaus, Z. (2017). Akurasi Model Prediksi Metode Backpropagation. Jurnal
Matematika Vol, 20, 79–84.
Wiedermann, W. (2015). Direction of Effects in Multiple Linear Regression Models. Multivariate Behavioral
Research, 50(1), 23–40. https://doi.org/10.1080/00273171.2014.958429.
Wong, Y. J. (2020). Comparativudy of Artificial Neural Network (ANN), Adaptive Neuro-Fuzzy Inference
System (ANFIS) and Multiple Linear Regression (MLR) for Modeling of Cu (II) Adsorption from
Aqueous Solution Using Biochar Derived from Rambutan (Nephelium Lappaceum) Pee.
Environmental Monitoring and Assessment, 192(7). https://doi.org/10.1007/s10661-020-08268-4.
Yanto, M., Sanjaya, S., Yulasmi, Guswandi, D., & Arlis, S. (2021). Implementation Multiple Linear Regresion
in Neural Network Predict Gold Price. Department of Informatics Engineering, Faculty of Computer
Science, Universitas Putra Indonesia YPTK, Indonesia.
Yazdanbakhsh, O., & Dick, S. (2019). A Deep Neuro-Fuzzy Network for Image Classification. ArXiv.
Yeylaghi, S., Otadi, M., & Imankhan, N. (2017). A New Fuzzy Regression Model Based on Interval-Valued
Fuzzy Neural Network and Its Applications to Management. Beni-Suef University Journal of Basic
and Applied Sciences, 6(2), 106–111. https://doi.org/10.1016/j.bjbas.2017.01.004.
Zadeh, L. A. (2015). Fuzzy logic - A Personal Perspective. Fuzzy Sets and Systems, 281, 4–20.
https://doi.org/10.1016/j.fss.2015.05.009.
Zaman, T., & Alakus, K. (2019). Comparison of Resampling Methods in Multiple Linear Regression. Ondokuz
Mayis University, 1(1), 91–92.
