Implementasi Naive Bayes Dengan Certainty Factor Untuk Diagnosis Penyakit Anjing
Vol. 2, No. 11, November 2018, hlm. 4491-4497 http://j-ptiik.ub.ac.id
Implementasi Naive Bayes Dengan Certainty Factor Untuk Diagnosis
Penyakit Anjing
1 2 3 Desy Setya Rositasari , Nurul Hidayat , Fitra A. BachtiarProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
1
2
3 Email: desy.setya8@gmail.com, ntayadih@ub.ac.id, fitra.bachtiar@ub.ac.id
Abstrak
Minat masyarakat Indonesia dalam memelihara anjing tergolong tinggi. Anjing menjadi hewan peliharaan favorit karena anjing memiliki tingkah yang lucu dan menggemaskan. Selain itu perawatan anjing peliharaan juga tergolong praktis. Tindakan pencegahan dan deteksi terhadap penyakit yang menjangkit anjing sangat diperlukan. Sehingga anjing yang terjangkit penyakit dapat segera ditangani dengan tepat untuk mencegah penularan penyakit ke anjing yang lain dan penularan ke manusia. Pada saat melakukan diagnosis penyakit yang menyerang anjing tidak jarang seorang dokter menemukan gejala yang hampir mirip antara satu penyakit dengan penyakit yang lain. Hal ini menyebabkan seorang dokter menemui kesulitan dalam menentukan penyakit apa yang menyerang anjing tersebut. Selain permasalahan tersebut, kurangnya jumlah klinik hewan yang membuka pelayanan sampai 24 jam membuat masyarakat yang memelihara anjing kesulitan pada saat anjing peliharaan mereka tiba-tiba terserang penyakit pada jam-jam diluar jam kerja klinik hewan pada umumnya. Sistem diagnosis penyakit anjing dibuat untuk membantu pekerjaan dokter hewan dalam mendiagnosis penyakit anjing, selain itu sistem ini diharapkan dapat membantu masyarakat dalam melakukan diagnosis awal terhadap anjing peliharaan mereka yang terserang penyakit. Sistem ini menerapkan metode Naïve Bayes dan Certainty Factor berbasis Android. Metode Naïve Bayes digunakan untuk melakukan proses klasifikasi penyakit anjing berdasarkan pola gejala yang biasa dialami, sedangkan metode Certainty Factor digunakan untuk mengetahui nilai kepastian hasil klasifikasi dari metode Naïve Bayes. Berdasarkan pengujian akurasi yang dilakukan selama lima kali. Diperoleh nilai rata-rata akurasi sistem sebesar 97.2%.
Kata kunci : penyakit anjing, klasifikasi, dignosis, naïve bayes, certainty factor
Abstract
The interest of Indonesians in having dog as pets is high. Dogs become favorite pets because dogs have
funny and adorable habits. In addition, taking care of dogs is quite easy. Prevention and detection of
diseases that infect dogs is necessary, so the infected dogs can be taken care of immediately to prevent
transmission of the disease to other dogs and to human. Diagnosing the diseases could be a bit difficult
sometimes because some diseases have similar symptoms. Another problem is that there are not many
veterinary clinics that open for 24 hours so it would be difficult for dog owners if they found out that
their dog was sick outside of the clinics’ working hours. The system of dog diseases diagnosis is made
to assist veterinarians in diagnosing dog diseases, in addition the system is expected to assist the
community in making an initial diagnosis of their dogs. This system is Android-based and applies the
method of Naïve Bayes and Certainty Factor. The Naïve Bayes method is used to classify dog diseases
based on the usual pattern of symptoms, while the Certainty Factor method is used to determine the
value of certainty of classification results from the Naïve Bayes method. Based on the accuracy test that
was done for five times, the average accuracy value obtained was 97.2%.Keywords : dog disease, classification, diagnosis, naïve bayes, certainty factor
memelihara anjing tergolong tinggi. Anjing 1. menjadi hewan peliharaan favorit karena anjing
PENDAHULUAN memiliki tingkah yang lucu dan menggemaskan.
Minat masyarakat Indonesia dalam Alasan lainnya adalah anjing merupakan hewan
Fakultas Ilmu Komputer Universitas Brawijaya
4491 yang penurut. Selain itu perawatan anjing peliharaan juga tergolong praktis. Tindakan pencegahan dan deteksi terhadap penyakit yang menjangkit anjing sangat diperlukan. Sehingga anjing yang terjangkit penyakit dapat segera ditangani dengan tepat untuk mencegah penularan penyakit ke anjing yang lain dan penularan ke manusia. Pada saat melakukan diagnosis penyakit yang menyerang anjing tidak jarang seorang dokter menemukan gejala yang hampir mirip antara satu penyakit dengan penyakit yang lain. Sehingga hal ini menyebabkan seorang dokter menemui kesulitan dalam menentukan penyakit apa yang menyerang anjing tersebut. Selain permasalahan tersebut, kurangnya jumlah klinik hewan yang membuka pelayanan sampai 24 jam membuat masyarakat yang memelihara anjing kesulitan pada saat anjing peliharaan mereka tiba-tiba terserang penyakit pada jam-jam diluar jam kerja klinik hewan pada umumnya. Sistem diagnosis penyakit anjing dibuat untuk membantu pekerjaan dokter hewan dalam mendiagnosis penyakit anjing, selain itu sistem ini diharapkan dapat membantu masyarakat dalam melakukan diagnosis awal terhadap anjing peliharaan mereka yang terserang penyakit.
Untuk itulah diperlukan sistem yang dapat mengidentifikasi penyakit yang menyerang anjing dan diharapkan dapat membantu mempermudah dan mempercepat proses diagnosis yang dilakukan oleh dokter. Selain membantu dokter dalam mendiagnosis penyakit yang menyerang anjing diharapkan pula sistem dapat digunakan oleh masyarakat umum yang memiliki anjing sebagai hewan peliharaan sehingga apabila anjing yang mereka pelihara terjangkit suatu penyakit dapat segera diketahui penyakit yang menyerang anjing tersebut sehingga anjing yang terserang penyakit dapat segera mendapat penanganan yang tepat.
anjing. Selain itu penelitian ini dilakukan untuk mengetahui tingkat akurasi dari sistem diagnosis penyakit anjing dengan menggunakan metode
2.2. Klasifikasi
Menurut Larose (2005), data mining mempunyai 6 fungsi diantaranya fungsi deskripsi (description), estimasi (estimation), prediksi (prediction), klasifikasi (classification), pengelompokan (clustering) dan asosiasi (association).
mining disebut sebagai knowledge discovery atau penemuan pengetahuan karena salah satu tujuan utama dari data mining adalah untuk menggali bongkahan data yang di dalamnya terdapat pengetahuan yang tersembunyi sehingga didapatkan pengetahuan yang tersembunyi tersebut. Data mining disebut sebagai pattern recognition atau pengenalan pola karena pengetahuan yang ditemukan dalam bongkahan data berbentuk pola-pola (Susanto dan Suryadi, 2010).
discovery ataupun pattern recognition. Data
Data mining merupakan disiplin ilmu yang memiliki perhatian utama dalam menemukan, menggali, atau menambang pengetahuan dari data atau informasi yang kita miliki. Data mining biasanya juga disebut sebagai knowledge
2.1. Data Mining
2. LANDASAN KEPUSTAKAAN
Naïve Bayes dan Certainty Factor.
Factor untuk mendiagnosis penyakit pada
Penelitian sebelumnya yang menggunakan metode Naïve Bayes dan Certainty Factor adalah penelitian yang dilakukan oleh Nugraha (2017), yang membahas tentang penerapan metode metode Naïve Bayes dan Certainty
Tujuan dari penelitian ini adalah menerapkan metode Naïve Bayes dan Certainty
kepastian hasil klasifikasi dari metode Naïve Bayes .
Factor digunakan untuk mengetahui nilai
Berdasarkan masalah dan pemaparan diatas maka disusunlah penelitian dengan menerapkan metode Naïve Bayes dan Certainty Factor untuk melakukan klasifikasi data gejala klinis penyakit anjing sehingga dicapai sebuah diagnosis penyakit yang tepat. Metode Naïve Bayes digunakan untuk melakukan proses klasifikasi penyakit anjing berdasarkan pola gejala yang biasa dialami, sedangkan metode Certainty
dilakukan oleh Ferdiansyah (2017), dimana penelitian ini menerapkan metode Naïve Bayes dan Certainty Factor untuk diagnosis penyakit kambing. Dimana dari proses pengujian sistem yang dilakukan diperoleh nilai akurasi sistem sebesar 86,80%.
Certainty Factor adalah penelitian yang
Dari pengujian yang dilakukan dari 25 kasus penyakit menghasilkan nilai akurasi sistem sebesar 80%. Penelitian kedua yang menggunakan metode Naïve Bayes dan
Factor untuk mendiagnosis penyakit kucing.
Menurut Patil dan Sherekar (2013), klasifikasi adalah salah satu teknik data mining dengan aplikasi yang sangat luas untuk diterapkan dalam mengklasifikasikan berbagai macam jenis data. Klasifikasi digunakan hampir disetiap bagian kehidupan manusia. Klasifikasi berfungsi untuk mengklasifikasikan item sesuai dengan fitur item sehubungan dengan kelompok kelas yang telah ditentukan.
ℎ = ℎ
Classification analysis atau yang biasanya
disebut supervised classification merupakan pengelompokan data pada kelas yang telah ditentukan. Klasifikasi menggunakan label kelas tertentu untuk menyusun objek pada kumpulan data. Pendekatan yang biasanya digunakan dalam klasifikasi adalah dengan menggunakan
training set dimana semua objek dalam training set sudah diketahui label kelasnya. Algoritma
klasifikasi belajar dari training set dalam membangun sebuah model. Model ini nantinya digunakan untuk mengklasifikasikan objek baru.
Keterangan: P = Nilai Prior X = Jumlah data tiap kelas A = Jumlah data seluruh kelas
= (4)
(3) Untuk melakukan perhitungan nilai Prior setiap kelas dapat menggunakan persamaan (4).
2.3. Metode Naïve Bayes
machine learning dan data mining (Zhang,
Menurut Kusrini (2016), Certainty Factor merupakan metode yang diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN. MYCIN adalah awal dari sistem pakar yang dikembangkan untuk menangani infeksi darah pada tahun 1972 di Standford University, California.
(5) Keterangan:
( , ) = ( , ) − ( , )
Menurut Giarattano dan Riley (1994), nilai dari Certainty Factor dapat diperoleh dengan menggunakan persamaan (5).
2. Faktor kepastian yang diisikan oleh pengguna.
Faktor kepercayaan yang diisikan oleh pakar beserta aturan.
klinis yang diberikan oleh MYCIN untuk menunjukkan besarnya nilai kepastian. Faktor kepastian dibedakan menjadi 2 macam yaitu: 1.
Certainty Factor merupakan nilai parameter
digunakan untuk menyelesaikan masalah ketidakpastian data.
Certainty Factor
2.4. Certainty Factor
2004). Naïve Bayes Classifier dikenal sebagai teknik yang paling baik dalam hal waktu komputasi dibanding teknik data mining yang lain. Proses klasifikasi yang menggunakan metode Naïve Bayes telah terbukti efektif diterapkan dalam aplikasi praktis misalkan saja klasifikasi teks, diagnosis medis dan manajemen kinerja sistem (Rish, 2001).
Naïve Bayes merupakan salah satu algoritma
pembelajaran induktif (inductive learning
algorithm
) yang paling efisien dan efektif untuk
(2) Dalam proses klasifikasi, nilai dari posterior sebuah kelas akan dibandingkan dengan nilai dari posterior dari kelas lain. Nilai posterior tertinggi menunjukkan bahwa data tersebut masuk dalam kategori kelas tersebut. Untuk setiap kelas pada sebuah sampel, evidence selalu bernilai tetap. Dalam mencari nilai Likelihood menggunakan persamaan (3) berikut: menggunakan metode Naïve Bayes dan
= ℎ ×
(1) X = Data dengan kelas yang belum diketahui H = Hipotesis data X merupakan suatu kelas spesifik P(H|X) = Probabilitas hipotesis H berdasarkan kondisi X (posterior prob.) P(H) = Probabilitas hipotesis H (prior prob.) P(X|H) = Probabilitas X berdasarkan kondisi tersebut P(X) = Probabilitas dari X Secara tidak formal, persamaan (2) dapat juga ditulis dengan cara:
( | ) = ( | ) ( ) ( )
Teorema Bayes memiliki bentuk umum sebagai berikut:
- CF (H,E) = Certainty Factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E. CF memiliki nilai antara 1 sampai dengan -1. Nilai 1 berarti kepercayaan mutlak sedangkan nilai -1 berarti ketidak percayaan mutlak.
- MB (H,E) = Ukuran kenaikan Certainty Factor.
kepercayaan terhadap Hipotesis H yang dipengarui oleh gejala E.
4.1. Perancangan Perangkat Lunak
- MD (H,E) = Ukuran kenaikan ketidak percayaan terhadap hipotesis H yang
Salah satu tahapan dalam perancangan dipengaruhi oleh gejala E. adalah perancangan perangkat lunak. Tahapan
CF gabungan merupakan nilai CF akhir perancangan perangkat lunak ini menjabarkan berupa kesimpulan yang diperoleh dari proses-proses dalam membangun sistem. Untuk penggabungan beberapa aturan sekaligus. lebih jelasnya dapat dilihat pada flowchart
Perhitungan nilai CF Combine dapat dilakukan sistem seperti pada Gambar 2. dengan menggunakan persamaan (2.6).
Tahapan sistem dalam melakukan klasifikasi (6)
(1) + (2) ∗ (1 − (1))
penyakit anjing dengan menerapkan metode
Naïve Bayes dan Certainty Factor yaitu:
2.5. Penyakit anjing 1.
User melakukan input data gejala klinis.
2. User menekan tombol diagnosis, dimana Sama halnya dengan makhluk hidup yang secara otomatis sistem menjalankan lain, anjing juga dapat terjangkit berbagai selanjutnya mengambil data latih yang macam penyakit mulai dari yang disebabkan merupakan dasar pengetahuan dalam sistem. oleh virus, bakteri, cacing maupun jamur.
Data latih disimpan dalam array. Berbagai macam penyakit yang menyerang
3. Sistem akan melakukan perhitungan nilai anjing diantaranya Demodicosis, Scabiosis,
prior pada setiap kelas penyakit dimana Otitis, Ringworm, Helminthiasis, Canine
jumlah keseluruhan kelas penyakit ada 10
Parvovirus, Canine Distemper, Ehrlichiosis, kelas. Coccidiosis dan Urolithiasis.
4. Sistem akan melakukan perhitungan untuk mencari nilai likelihood.
3. TAHAPAN PENELITIAN
5. Sistem akan melakukan proses perhitungan Penelitian berawal dari studi literatur, untuk mencari nilai posterior pada setiap kemudian pengumpulan data, analis kebutuhan, kelas penyakit, diamana kelas penyakit perancangan sistem, implementasi, pengujian dengan nilai posterior tertinggi disimpulkan sistem dan yang terakhir adalah pengambilan sebagai diagnosis penyakit yang menyerang kesimpulan dan saran. Diagram alir tahapan anjing. penelitian dapat dilihat pada Gambar 1. Studi literatur
6. Sistem akan melakukan perhitungan nilai derajat keyakinan dengan menggunakan Analisis kebutuhan metode Certainty Factor yaitu dengan mencari nilai CF dan CF Combine Pengumpulan data berdasarkan penyakit hasil klasifikasi dari Implementasi Perancangan metode Naïve Bayes. Kesimpulan dan Saran Pengujian dan Analisis
Gambar 1. Diagram Alir Penelitian 4.
PERANCANGAN
Perancangan sistem bertujuan untuk mengetahui langkah-langkah yang harus dilakukan untuk membangun sebuah sistem. Pada penelitian ini sitem yang akan dibuat adalah sistem diagnosis penyakit anjing dengan
Start Input gejala klinis Proses Naïve Bayes Classifier Hasil diagnosa penyakit anjing dan nilai derajat keyakinan Stop Proses Certainty Factor
0.7 G31 Kejang otot
0.6 G24 Anoreksia (tidak nafsu makan)
0.8 G21 Lemas
0.7 G25 Dehidrasi
0.7 G26 Canine Distemper Demam
0.8 G27 Anoreksia (tidak nafsu makan)
0.8 G21 Leleran hidung
0.7 G28 Lemas
0.8 G25 Bintik bernanah pada kulit abdomen
0.8 G29 Kejang
0.6 G30 Mata bergerak tak terkendali
0.6 G32 Salivasi
0.5 G23 Canine Parvovirus Muntah
0.6 G33 Ehrlichiosis Demam
0.8 G27 Trombosit menurun
0.7 G34 Pembesaran limpa
0.6 G35 Anoreksia (tidak nafsu makan)
0.8 G21 Kaku
0.7 G36 Lemas
0.8 G25 Edema pada kaki
0.7 G37 Sulit bernafas
0.6 G38 Mimisan
0.5 G39 Kencing berdarah
0.5 G40
0.8 G20 Diare berdarah
0.8 G22 Cacing pada feses
Gambar 2. Flowchart sistem
0.6 G21 Kotoran mata berlebih
0.7 G20 Anoreksia (tidak nafsu makan)
0.8 G19 Muntah
0.8 G18 Perut buncit
0.7 G17 Rambut kusam
0.6 G16 Helminthiasi s Diare
0.8 G15 Lesi berbentuk lingkaran dengan pinggiran berketombe
0.7 G14 Ring Worm Alopesia (pitak)
0.5 G13 Serumen baru berwarna coklat gelap
0.8 G12 Leleran dari telinga
4.2. Data Aturan Gejala Klinis Penyakit Anjing
0.5 G10 Otitis Head-shaking
0.8 G11 Menggaruk-garuk telinga/gatal
0.6 G8 Rambut patah- patah
0.7 G7 Lepuh pada kulit
0.8 G4 Bentol pada kulit
0.5 G6 Scabiosis Gatal
0.8 G5 Hiperpigmentasi
0.8 G4 Kulit kemerahan
0.6 G3 Gatal
0.7 G2 Kulit berkerak/keropen g
0.8 G1 Kulit berketombe
Demodicosis Rambut rontok
Tabel 1. Data Aturan Penyakit Anjing Nama Penyakit Gejala Klinis Nilai CF Pakar Kode Gejal a
Data aturan gejala klinis penyakit anjing merupakan data yang berfungsi sebagai dasar pengetahuan sistem dalam melakukan proses klasifikasi dan penentuan nilai derajat keyakinan. Data aturan gejala klinis penyakit anjing dapat dilihat pada Tabel 1.
0.8 G9 Hiperkeratosis (penebalan kulit) Feses hitam
0.5 G41 Coccidiosis Diare
G24 Coccidiosis Parvo
0.8 G17 Diare berdarah
0.96 Numa G21, G24 Coccidiosis Parvo
0.92
5.2. Analisis
Berdasarkan skenario pengujian akurasi yang telah dilakukan. Sistem diagnosis penyakit anjing menggunakan metode Naïve Bayes dan
Certainty Factor diperoleh nilai akurasi sebesar
97.2%. Hasil tersebut menunjukkan jika sistem diagnosis penyakit anjing dengan menggunakan metode Naïve Bayes Classifier dan Certainty
Factor
dapat mendiagnosis penyakit anjing dengan baik dan akurat. Kesalahan diagnosis terjadi jika penyakit yang satu dan penyakit yang lain meiliki pola gejala yang hampir mirip. Sehingga beberapa gejala penyakit dari suatu penyakit tersebut memiliki nilai probabilitas yang lebih besar terhadap penyakit yang lain.
0.92 Balu G17, G21 Helminthiasis Coccidiosis 0.96 Doggy G20, G21 Helminthiasis Parvo
0.5 G25 Kandung kemih membesar dan keras
0.5 G20 Lemas
0.8 G45 Muntah
0.8 G44 Sakit pada abdomen
0.7 G40 Stranguria (kencing sedikit- sedikit)
0.8 G43 Kencing berdarah
0.7 G26 Urolithiasis Tidak bisa kencing
0.8 G21 Dehidrasi
0.7 G42 Anoreksia (tidak nafsu makan)
0.6 G24 Berat badan menurun
0.7 G46 5.
PENGUJIAN DAN ANALISIS
5.1. Pengujian
Diagnosis Pakar Pengujian CF Simon G21,
Nilai CF atau nilai keyakinan dari penyakit yang mengalami kesalahan diagnosis tetap menunjukkan angka yang besar hal ini disebabkan karena perhitungan nilai keyakinan selalu mengikuti hasil akhir klasikasi. Jika hasil akhir klasifikasi menyimpulkan anjing terdiagnosis penyakit A. Maka nilai CF yang akan dihitung adalah nilai CF dari penyakit A tersebut.
Pengujian akurasi diperlukan untuk mengetahui seberapa besar tingkat akurasi dari diagnosis penyakit anjing yang dilakukan oleh sistem. Pengujian akurasi dilakukan sebanyak 5 kali dengan sekali pengujian menggunakan 100 data uji. 100 data uji dipilih dari 150 data secara acak.
Kemudian diperoleh nilai akurasi dari pengujian pertama sampai pengujian ke lima. Selanjutnya akan diambil nilai rata-rata dari pengujian yang telah dilakukan.
anjing, selanjutnya adalah proses perhitungan nilai keyakinan dengan menggunakan metode Certainty Factor. Nilai Certainty Factor diperoleh dari perhitungan nilai kepercayaan yang dilakukan terhadap gejala penyakit hasil diagnosis.
Bayes menentukan diagnosis penyakit
dapat diterapkan untuk diagnosis penyakit anjing dengan cara menghitung nilai probabilitas prior, probabilitas likelihood dan probabilitas posterior dari masing- masing gejala penyakit yang dimasukkan oleh user. Penyakit yang memiliki probabilitas posterior tertinggi terhadap gejala yang dimasukkan oleh user merupakan hasil diagnosis penyakit yang menyerang anjing. Setelah metode Naïve
1. Metode Naïve Bayes dan Certainty Factor
6. KESIMPULAN
Hasil dari pengujian akurasi yang dilakukan dapat dilihat pada Tabel 2.
Tabel 3. Daftar Anjing Salah Diagnosis Nama Gejala Klinis
Tabel 2. Hasil Pengujian Akurasi Pengujian Pengujian
1 Pengujian
2 Pengujian
3 Pengujian
4 Pengujian
5 Akurasi 96% 97% 98% 96% 99% Rata-rata akurasi 97.2%
Dari Tabel 2 diketahui bahwa nilai akurasi rata-rata dari lima skenario pengujian yang dilakukan pada sistem diagnosis penyakit anjing menggunakan metode Naïve Bayes Classifier dan Certainty Factor diperoleh sebesar 97.2%.
Daftar anjing yang mengalami kesalahan diagnosis selama 5 kali skenario pengujian dapat dilihat pada Tabel 3.
No.2. (Diterima untuk publikasi April 2013). Ridwan, M., Suyono, H. , dan M. Sarosa. 2013.
Universitas Brawijaya. Tersedia di: <http://j-ptiik.ub.ac.id/index.php/j- ptiik/article/download/903/351/> [Diakses 5 September 2017] Patil, Tina R., dan Sherekar, S. S. 2013.
penyakit anjing menggunakan metode Naïve Bayes dan Certainty Factor adalah sebesar 97.2%. Tingkat akurasi diperoleh dengan cara melakukan 5 kali skenario pengujian, kemudian diambil nilai rata-rata akurasi dari kelima pengujian tersebut. Setiap kali pengujian, 150 dataset diacak untuk memperoleh 100 data untuk digunakan sebagai data uji. Kesalahan diagnosis terjadi jika penyakit yang satu dan penyakit yang lain meiliki pola gejala yang hampir mirip. Sehingga beberapa gejala penyakit dari suatu penyakit tersebut memiliki nilai probabilitas yang lebih besar terhadap penyakit yang lain. Nilai CF atau nilai keyakinan dari penyakit yang mengalami kesalahan diagnosis tetap menunjukkan angka yang besar hal ini disebabkan karena perhitungan nilai keyakinan selalu mengikuti hasil akhir diagnosis.
7. SARAN
Adapun saran untuk pengembangan sistem selanjutnya adalah menerapkan metode lain yang dapat mengklasifikasikan penyakit dengan banyak pola kemiripan gejala.
Suriyani, Luh De. 2015. Ketika Rabies
7 September 2017] Sasadara, MMV. 2015. Anjing Kintamani. Tersedia di: <http://erepo.unud.ac.id/10065/3/de35dce e2849dfbec6ae8f3c26210cea.pdf> [Diakses 17 September 2017]
. T.J. Watson Research Center. Tersedia di: [Diakses
Naïve Bayes Classifier
Jurnal EECCIS Vol.7, NO. 1, Juni 2013 Rish, Irina. 2001. An Empirical Study of the
Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes .
2. Tingkat akurasi dari sistem diagnosis
Computer Science And Apllication . Vol. 6,
Performance analysis of anive bayes and J48 classification algorithm for data classification. International Journal Of
DAFTAR PUSTAKA
Sistem Pakar Diagnosis Penyakit Kucing Menggunakan Metode Naïve Bayes
<https://balebengong.id/opini/ketika- rabies-mengancam-pariwisata-bali.html > [Diakses 16 Oktober 2017]
University of New Brunswick. Tersedia di: American Association for Artificial Intelligence <www.aaai.org> [Diakses 17 September 2017]
bayes . Faculty of computer science
Yogyakarta: Andi. Zhang, Harry. 2004. The optimality of naive
Pengantar data mining menggali pengetahuan dari bongkahan data.
http://www.antaranews.com/berita/43796 8/5-strategi-bali-kendalikan-rabies > [Diakses 16 Oktober 2017] Susanto, Sani dan Suryadi, Dedi. 2010.
Rabies . Tersedia di: <
Suryai, Made I. 2015. 5 Strategi Bali Kendalikan
Mengancam Pariwisata Bali . Tersedia di:
INC., Publication. Tersedia di: Google Books <http://booksgoogle.com> [Diakses 17 September 2017] Nugraha, Achmad Affan Suprayogi. 2017.
Ferdiansyah, Wahyu Rizki. 2017. Sistem Pakar
Diagnosis Penyakit Kambing Menggunakan Metode Naïve Bayes dan Certainty Factor. S1. Universitas
Brawijaya. Tersedia di: <http://j- ptiik.ub.ac.id/index.php/j- ptiik/article/download/822/325/> [Diakses 5 September 2017] Haryanto, Toto. 2011. Certainty Factor (CF).
Tersedia di: < http://achamad.staff.ipb.ac.id/wp- content/plugins/as- pdf/TOTO%20HARYANTO- Certainty%20Factor%20(CF).pdf> [Diakses 18 September 2017]
Larose, Daniel T., 2005. Discovering knowledge
in data an introduction to data mining . [e-
book] New Jersey: A John Wiley & Sons,
- – Certainty Factor Berbasis Android . S1.