Diagnosis Penyakit Ikan Mas Koki Menggunakan Metode Naïve Bayes Classifier

  Vol. 3, No. 1, Januari 2019, hlm. 8059-8067 http://j-ptiik.ub.ac.id

  

Diagnosis Penyakit Ikan Mas Koki Menggunakan Metode Naïve Bayes

₁ Classifier _{2 3} M. Hasbi Wa Kafa , Nurul Hidayat , Imam Cholissodin

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

  1

  

  3 Email: elkav18@gmail.com, imamcs@ub.ac.id

Abstrak

  Negara Indonesia sebagai negara maritim memiliki ribuan spesies ikan. Berbagai macam jenis ikan terdapat di Indonesia, tidak hanya ikan yang dapat dikonsumsi saja namun Indonesia juga memiliki berbagai macam jenis ikan hias yang sangat populer. Salah satu ikan hias paling populer adalah ikan mas koki, jadi tidak mengherankan jika permintaan ikan mas koki kian meningkat. Dari waktu ke waktu banyak orang yang mencari ikan mas koki. Harga jualnya yang tinggi juga memberikan berkah tersendiri bagi pelaku bisnisnya. Tentunya budidaya ikan mas koki ini menjadi ladang emas bagi pembudidaya memperoleh keuntungan. Membudidayakan ikan mas koki bisa dikatakan tidak sulit, namun ada yang perlu diperhatikan dalam beberapa hal dikarenakan ikan ini termasuk ikan yang rentan terhadap penyakit. Penyakit dapat timbul akibat salah pemeliharaan pada ikan mas koki. Banyaknya gejala penyakit pada ikan mas koki kerap membuat pelaku budidaya kesulitan untuk mengidentifikasi penyakit, sehingga dalam penanganan penyakit ikan mas koki juga mengalami kesalahan. Maka dari itu, diperlukan sistem yang dapat membantu dalam mengidentifikasi penyakit ikan mas koki dengan tepat. Dengan menggunakan metode perhitungan Naive Bayes Classifier telah didapatkan akurasi sistem sebesar 90% yang berarti sistem ini dapat berjalan dengan baik karena hasil dari sistem mendekati kesamaan dengan fakta lapangan yang sebenarnya.

  Kata kunci: Naive Bayes Classifier, ikan mas koki, penyakit ikan mas koki.

  

Abstract

The Indonesian state as a maritime country has thousands of species of fish. Various types of fish found

in Indonesia, not only fish that can be consumed alone but Indonesia also has a variety of types of

ornamental fish are very popular. One of the most popular ornamental fish is the goldfish chef, so it is

not surprising that the demand for goldfish is increasing. From time to time many people are looking

for a goldfish chef. Its high selling price also provides its own blessing for its business. Of course the

goldfish cultivation is a gold field for farmers to gain profits. Cultivating the goldfish can be said is not

difficult, but there is something to note in some ways because these fish including fish that are

susceptible to disease. Illness may arise due to improper maintenance of the goldfish. The number of

symptoms of the disease in the goldfish often makes cultivators difficult to identify the disease, so in the

handling of goldfish disease chef also experienced a mistake. Therefore, a system that can help in

identifying the goldfish disease properly. By using the method of calculation Naive Bayes Classifier has

obtained 90% accuracy of the system which means the system can run well because the results from the

system close to the similarity with the actual field facts.

  Keywords: Naive Bayes Classifier, carp chef, goldfish disease.

  maupun mas koki yang merupakan suatu 1.

   PENDAHULUAN keunggulan komporatif. Hingga saat ini

  perkembangan ikan hias di indonesia mengalami Ikan hias merupakan komoditas yang kemajuan yang terus meningkat. Dari sekian potensial untuk dikembangkan, karena selain banyak jenis ikan hias, tidak semuanya telah mempunyai potensi sumber daya yang dapat dibudidayakan. Salah satu ikan hias yang berlimpah juga peluang pasar yang besar, baik di populer di Indonesia adalah ikan mas koki. dalam negeri maupun di luar negeri. Indonesia

  Selain populer, ikan mas koki mudah untuk memiliki berbagai jenis ikan hias air laut

  Fakultas Ilmu Komputer Universitas Brawijaya

8059 dibudidayakan dan mempunyai nilai ekonomis yang tinggi. Membudidayakan ikan mas koki, tidak memerlukan lahan yang luas dan siklus reproduksinya yang singkat dengan harga jual yang cukup tinggi.

  Ikan mas koki bisa dibilang ikan yang rentan terhadap suatu penyakit. Banyak orang bilang ikan mas koki gampang mati. Sebab kematian ikan mas koki sesungguhnya bukan hanya dikarenakan jenis ikan ini lemah, melainkan juga adanya faktor lain penyebab kematian ikan koki ini, yaitu kesalahan dari pembudidaya dalam mengidentifiksasi karakteristik gejala penyakit ikan. Pelaku budidaya ikan mas koki sering kesulitan mengidentifikasi suatu penyakit dikarenkan banyaknya kemiripan gejala penyakit-penyakit ikan mas koki. Pengamatan pada penyakit mesti dikerjakan setiap hari dengan menyelidiki adakah ikan yang alami pergantian sikap diantaranya tidak aktif berenang, sering berdiam di dasar kolam atau di permukaan, tidak nafsu makan dan masih banyak lagi. Tidak hanya dari sikap ikan, pengamatan juga perlu dilakukan dengan melihat kondisi tubuh ikan, seperti butiran kecil garam yang menempel di tubuh maupun ekor ikan, tubuh ikan mengeluarkan banyak lendir, sirip ikan terlihat menutup, sirip atau ekor ikan yang rusak, adanya warna putih di tepi ekor, adanya luka atau bercak kemerahan di tubuh maupun sirip dan ekor ikan, dan lain sebagainya. Banyaknya persamaan karakteristik gejala dari setiap penyakit ikan mas koki inilah yang mengakibatkan pembudidaya ikan mas koki kesulitan dalam mengidentifikasi penyakit yang dapat berakibat pada kematian ikan (Mebby, 2013).

  Permasalahan di atas dapat diselesaikan menggunakan sebuah sebuah atau aplikasi yang memanfaatkan teknologi informasi. Teknologi informasi merupakan teknologi yang digunkan untuk mengolah data yang didalamnya terdapat proses mendapatkan, menyusun, menyimpan, dan memanipulasi data dalam berbagai cara untuk mendapatkan hasil berupa informasi yang relevan, akurat, dan tepat waktu. Teknologi informasi memiliki berbagai bidang keilmuan salah satunya sistem pakar. Sistem pakar digunakan untuk meniru semua aspek yang ada dari kemampuan pengambilan keputusan yang berasal dari seorang pakar dan dengan menggunakannya secara maksimal untuk memecahkan suatu masalah seperti pakar dengan pengetahuan khususnya memanfaatkan teknologi kecerdasan buatan berupa pengetahuan (knowledge) dan proses inferensi (inference process) (Rosnelly, 2012). Sistem pakar juga mampu memberikan sebuah solusi atau saran terhadap hasil diagnosis penyakit dan memberikan alasan atas kesimpulan yang ditentukan (Kusrini, 2006).

  Dalam pembuatan sebuah sistem perlu adanya metode-metode pendukung yang digunakan didalamnya. Salah satu metode yang digunakan untuk mendukung sistem ini adalah Naïve Bayes Classifier. Naive Bayes merupakan teknik yang digunakan dalam statistika untuk menghitung peluang suatu hipotesis (Shadiq, 2009). Metode Naive Bayes dipilih karena merupakan metode yang baik di dalam mesin pembelajaran berdasarkan data latih, dengan menggunakan probabilitas bersyarat sebagai dasarnya (Basuki, 2006).

  Penelitian sebelumnya dengan topik sama yang berjudul "Perancangan Sistem Pakar Mendiagnosa Ikan Hias Menggunakan Shell

  Exsys Corcid”. Hasil penelitian memperlihatkan

  sistem pakar dapat mendiagnosis penyakit ikan hias dengan baik, memiliki fleksibiltas dan kemudahan penggunaannya. Namun sistem ini masih memiliki keterbatasan yaitu belum dapat mendiagnosis semua penyakit ikan hias karena masih harus mengembangkan basis pengetahuannya. Evaluasi keseluruhan tentang kinerja sistem, kemampuan dan hasil diagnosis sistem pakar ini sudah dapat diterima oleh pemakai yang merupakan pakar perikanan maupun pemakai non pakar (Sandy, 2015).

  Penelitian yang lainnya dengan metode yang sama berjudul Aplikasi Sistem Pakar untuk Identifikasi Hama dan Penyakit Tanaman Tebu dengan Metode Naive Bayes Berbasis Web oleh Angga Hardika Pratama, dalam penelitian tersebut menghasilkan identifikasi hama dan penyakit tebu dengan tingkat akurasi 94.28%. Maka dapat disimpulkan dengan menggunakan metode Naive Bayes sistem berjalan dengan baik (Angga, 2014) .

  Berdasarkan dari pemaparan permasalahan, maka penulis mengusulkan judul “Diagnosis Penyakit Ikan Mas Koki Menggunakan Metode

  Naive Bayes Classifier

  ”. Dalam sistem ini menerima input berupa data gejala penyakit ikan mas koki. Kemudian, data tersebut diolah menggunakan metode Naive Bayes yang hasil

  output sistem berupa diagnosis jenis penyakit dan pengobatan hasil penyakit yang didiagnosis.

  2. LANDASAN KEPUSTAKAAN

2.1. Naive Bayes Classifier

  , … , merepresentasikan karakteristik yang digunakan dalam proses klasifikasi. Rumus di atas menjelaskan peluang masuknya asmpel dengan karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya C (sebelum masuknya sempel tersebut, seringkali disebut prior dimana perhitungan prior sendiri yaitu probabilitas

  2. Data Kontinue Data kontinue adalah jenis tipe data yang nilainya dapat berubah. Biasanya data yang berjenis angka. Berikut rumus yang digunakan untuk menghitung probabilitas sebuah data yang bersifat kontinue.

  Salah satu contoh atribut yang bersifat kategori adalah atribut jenis kelamin yaitu laki- laki dan perempuan.

  jumlah data milik kelas C Total data sempel (5)

  Berikut rumus yang digunakan untuk menghitung data jenis kategori :

  Data Kategori Data kategori adalah data yang sifatnya tetap dan tidak mengalami perubahan nilai.

  menentukan ke kelas apa sebuah sebuah sempel tersebut akan diklasifikasikan. Adapun proses perhitungan likehood jika datanya berupa kategori (diskrit) ataupun nominal (kontinue), sebagai berikut : 1.

  posterior kelas lainnya, hal ini untuk

  Nilai evidence selalu bernilai tetap untuk setiap kelas pada sebuah sempel. Nilai posterior tersebut antinya akan dibandingkan dengan nilai

  = ℎ (4)

  , … , dikali dengan peluang kemunculan karateristik sampel pada kelas C (disebut dengan Likehood), kemudian dibagi dengan peluang kemunculan karakteristik sampel secara global (evidence). Maka dari itu penulisan rumus sederhananya sebagai berikut (Natalius, 2011)

  , … , dalam kelas C dibagi dengan jumlah probalitas

  Naive Bayes Classifier merupakan salah satu metode yang populer untuk keperluan data mining karena penggunaannya yang mudah dan memiliki waktu yang cepat, mudah diimplementasikan dengan strukturnya yang cukup sederhana dan untuk tingkat efektifitasnya memiliki efektifitas yang tinggi. Klasifikasi Naive Bayes juga memperlihatkan tingginya akurasi dan cepat ketika digunakan untuk dataset dengan jumlah besar.

  Secara umum proses dari klasifikasi Naive Bayes dapat dilihat pada Persamaan 1.

  , … , terjadi. ( , … , | ) : Probabilitas awal (prior) evidence suatu evidence

  ( | , … , ) : Probabilitas Posterior bersyarat (conditional probability) suatu hipotesis C terjadi jika diberikan evidence/bukti

  P(C|F i , … , F n ) P(C)P(F i , … , F n |C) P(F i , … , F n ) (3)

  Untuk menjelaskan teorema Naïve Bayes, hal yang perlu diketahui dalam sebuah proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas sebuah kelas yang tepat dari sempel yang dianalisis. Sehingga teorama Bayesnya sebagai berikut

  P(Aj) : Probabilitas hipotesis Aj terjadi tanpa memandang evidence yang lain. n : Jumlah hipotesis yang terjadi.

  P(Aj|B) : Probabilitas akhir bersyarat (conditional probability) suatu hipotesis Aj terjadi jika diberikan bukti (evidence) B terjadi. P(B|Aj) : Probabilitas suatu evidence B terjadi, jika hipotesis Aj terjadi.

  (2.2)

  ( | ) = ( ) ( | ) ∑ ( | ) =1

  probabilitas total, sehingga menjadi seperti persamaan 2.

  Bayes Classifier mengingat berlakunya hukum

  P(A|B) : Probabilitas akhir bersyarat (conditional probability) suatu hipotisis A terjadi jika diberikan bukti (evidence) B terjadi. P(B|A) : Probabilitas suatu bukti B terjadi akan mempengaruhi hipotesis A P(A) : Probabilitas awal (Prior) hipotesis A terjadi tanpa memandang bukti apapun P(B) : Probabilitas awal (Prior) bukti B terjadi tanpa memandang hipotesis/bukti lain. Adapun pengembangan metode Naive

  ( | ) = ( ) ( ) ( | ) (1)

  , … , yang dipengaruhi hipotesis C. ( ) : Probabilitas hipotesis C terjadi tanpa memandang evidence yang lain. : Jumlah hipotesis yang terjadi. Dimana variabel C merepresentasikan kelas, sedangkan untuk variabel

  1 μ = (6) ∑

  4. PERANCANGAN

  Sistem memiliki modul tugas yang berfungsi

  =1

  untuk memandu proses penalaran terhadap

  1

  2 σ = (7)

  kondisi berupa data fakta gejala inputan

  =1 − 1 ∑ ( − )

  2

  pengguna. Penalaran berdasarkan pada basis

  1 −( − ) f(w) = (8)

  2

  pengetahuan yang ada dan mengarahkan sesuai

  √2

  kaidah, model dan fakta yang disimpan hingga f(w) merupakan nilai kemunculan probabilitas dicapai suatu kesimpulan. Proses perhitungan untuk data yang mempunyai nilai (w). Salah satu menggunakan metode Naive Bayes. Sedangkan contoh atribut yang bersifat kontinue adalah teknik inferensi yang digunakan adalah forward atribut nilai ujian, dimana setiap siswa

  chaining , yang merupakan teknik pelacakan

  mempunyai nilai ujian yang berbeda. Dana penalaran dari sekumpulan fakta menuju suatu parameter adalah rata-rata nilai (phi) bernilai kesimpulan. Diagram alir metode Naive Bayes 3,14. ditunjukan pada Gambar 2.

2.2 Penyakit Ikan Mas Koi

  Penyakit pada ikan adalah penyakit yang muncul dan berkembang selama periode pembibitan dan pembesaran (Hendriana, 2010). Penyakit ikan yang dijadikan objek penelitian dalam tugas akhir ini antara lain: bintik putih, busuk sirip, jamur, sembelit, dropsy, kutu jarum, kutu ikan, berenang terbalik, cacing tubuh, dan

  hexamita .

3. METODOLOGI PENELITIAN

  Tipe penelitian yang akan dilakukan pada penelitian ini adalah langkah-langkah yang akan dilakukan dalam pengerjaan penelitian ini, seperti studi literatur, analisis kebutuhan, pengambilan data, perancangan sistem, implementasi, pengujian analisis, dan kesimpulan. Langkah-langkah yang akan dilakukan pada penelitian ini dapat dilihat dalam Gambar 1.

  Studi Literatur Pengumpulan Gambar 2. Diagram alir metode Naive Bayes.

  Analisa Selanjutnya, pada Gambar 3 merupakan data

  flow diagram level context

  sistem pakar Perancangan diagnosa penyakit ikan mas koki menggunakan metode Naive Bayes Classifier. Beberapa

  Implementasi penggunaan paket data digambarkan pada

  context diagram sebagai berikut

  Pengujian Sistem Kesimpulan

  Gambar 1. Diagram Metode Penelitian Gambar 3. Data Flow Diagram level context.

  Pengujian tingkat akurasi dilakukan untuk mengetahui kesesuaian antara hasil diagnosa sistem dengan hasil diagnosa yang dilakukan oleh pakar untuk menentukan tingkat performa sitem. Pada sistem pakar diagnosa penyakit ikan mas koki menggunakan metode Naive Bayes

  4

  Sembe lit Akurat

   Kotoran ikan berwarn a agak Sembe lit

  7

  Akurat

  Sembe lit Sembe lit

   Kotoran ikan berwarn a agak keputiha n  Lesu  Sering berdiam didasar kolam  perut memben gkak  Kotoran mengunt ai panjang

  6

  Akurat

   Terdapa t benda mirip kapas ditubuh ikan Jamur Jamur Tidak

  5

  Akurat

  Busuk Sirip

  Busuk Sirip

   Sirip terkelup as  Beberap a bagian tepi sirip berwarn a merah  Sirip robek

  Akurat

5. PENGUJIAN dan ANALISIS

  2 keputiha n  Lesu  Kotoran mengunt ai panjang

  proses yang dilakukan adalah membandingkan data dari pakar dan data sistem. Seperti pada tabel berikut :

  No Gejala Hasil Diagn osa Pakar Hasil Diagn osa Sistem Keter angan

  1

   Butiran Kecil pada ekor  Tubuh mengelu arkan lendir  Sirip menutup  Nafsu makan menuru n

  Bintik putih Bintik

  Putih Akurat

  Classifier

  Busuk Sirip

  Bintik putih Bintik

  Putih Akurat lebih cepat

   Nafsu makan menuru n

  3

   Sirip terkelup as  Sirip robek  Tepi sirip berwarn a putih

  Busuk Sirip

   Butiran Kecil pada tubuh  Tubuh mengelu arkan lendir  Menggo sokkan diri ke dinding kolam  Gerakan insang

  8

  Jarum Kutu

  14

  Akurat

  Kutu Ikan

  Kutu Ikan

   Kutu ditubuh Ikan  Tubuh ikan terdapat bercak seperti darah  Kutu bergerak  tubuh ikan terdapat bercak berbentu k cakram pipih dengan warna hijau transpar an

  13

   Kutu ditubuh Ikan Kutu Jarum Kutu Jarum Tidak Akurat

  12

  Akurat

  Jarum Tidak

   Kutu ditubuh Ikan  Tubuh ikan terdapat bercak seperti darah Kutu

   Kotoran mengunt ai panjang  Sisik terkelup as  Terdapa t warna keemasa n ditubuh atau insang  Luka  Tubuh memben gkak  Nafsu makan menuru n  Mata melotot

  11

   Sisik terbuka  Sisik terkelup as  Luka  Nafsu makan menuru n  Warna insang pucat  Mata melotot

  Drops y Akurat

   Kotoran mengunt ai panjang Drops y

  10

  Akurat

  Drops y Drops y

   Kotoran mengunt ai panjang  Sisik terbuka  Luka  Tubuh memben gkak  Nafsu makan menuru n  Warna insang pucat  Mata melotot

  9

  Akurat

  Drops y Drops y

   Kutu ditubuh Ikan Kutu Ikan Kutu Ikan Akurat

   Kutu bergerak  tubuh ikan terdapat bercak berbentu k cakram pipih dengan warna hijau transpar an

  Akurat

  Hexa mita Hexa mita

   Terdapa t lubang ditubuh ikan  Lesu  Nafsu makan menuru n  Kotoran berwarn a pucat

  20

  Akurat

  Hexa mita Hexa mita

   Terdapa t lubang dikepala ikan  Lesu  Nafsu makan menuru n  Kotoran berwarn a pucat  Lapisan lendir menipis dan kering

  19

  Akurat

  Cacing tubuh Cacing tubuh

   Lendir berlebih di selaput  Sirip mengatu p  Tubuh agak kejang  Mata berkedip  Luka  Menggo sokkan diri ke dinding kolam  Insang iritiasi  Mengap -mengap dipermu kaan air

  18

  Cacing tubuh Cacing tubuh

  15

   Lendir berlebih di selaput  Tubuh agak kejang  Mata berkedip  Luka  Menggo sokkan diri ke dinding kolam  Insang iritiasi

  17

  Akurat

  Berena ng terbali ng

  Berena ng terbali ng

   Berenan g dengan kondisi tidak normal  Malas bergerak

  16

  Akurat

  Berena ng terbali ng

  Berena ng terbali ng

   Berenan g dengan kondisi tidak normal  Tubuh agak condong ke salah satu sisi  Malas bergerak

  Akurat

   Kotoran berserab ut  Lapisan lendir menipis dan kering

  Natalius., 2011. Metode Naïve Bayes Classifier

  Medan Kosasi, Sandy. 2015. Perancangan Sistem Pakar

  Mendiagnosa Ikan Hias Menggunakan

  Shell Exsys Corcid . STMIK Pontianak

  Kusrini. 2006. Sistem Pakar “Teori dan Aplikasinya”. Penerbit Andi.

  Yogyakarta Mebby, Kusianto. 2013. Raja Ikan Hias. Pustaka Abadi. Kediri.

  Meilani, D.B. 2014. SISTEM DATA MINING UNTUK MENGHASILKAN POLA KELULUSAN SISWA DENGAN METODE NAÏVE BAYES. Jurnal Link. pp. 3

  dan Penggnaanya pada Klasifikasi Dokumen

  Handayani, L dan Sutikno, T. 2008. Sistem Pakar untuk Diagnosis Penyakit THT Berbasis Web dengan “e2gLite Expert System Shell”. Jurnal Teknologi Industri, Volume 12, Nomor 1 Harvest, Huada. 2010. Diseas of Goldfish.

  . Makalah II 2092 Probabilitas dan Statistika. pp.1 Pitaloka,. 2016. Implementasi Metode Naïve

  Bayes Classifier Untuk Diagnosis Klasifikasi Gejala Penyakit Kucing. Teknik Informatika PTIIK Universitas

  Praseda, A. 2016. Sistem Pakar Diagnosa Penyakit Pada Ikan Budidaya Air Tawar Dengan Metode Forward Chaining.

  Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Lampung. Lampung

  PRASETYO, HERU, dkk. 2013, “Kajian Kualitas Fisiko Kimia Daging Sapi di Pasar Kota Malang”.Bagian Teknologi Hasil Ternak Fakultas Peternakan, Universitas Brawijaya. Malang.

  Pratama, Angga Hardika, 2014. Aplikasi Sistem Pakar Untuk Identifikasi Hama dan Penyakit Tanaman Tebu dengan Metode Naive Bayes Berbasis Web. S1.

  Nevada Goldfish. Jakarta Hermawati, Lubis. 2013. Pengembangan Budidaya Ikan Mas Koki. Batharayuda.

  Dwi, Restia, dkk. 2015, “PENGEMBANGAN SISTEM PAKAR DIAGNOSA PENYAKIT SAPI POTONG DENGAN METODE FUZZY K-NEAREST NEIGHBOUR”. Program Studi Informatika/Ilmu Komputer, Universitas Brawijaya. Malang

  Nilai Akurasi =

  Naive Bayes Classifier

  18

  20

  x 100% = 90%

  Berdasarkan hasil dari pengujian akurasi dari 20 data memiliki akurasi sebesar 90%. Kesalahan dari kasus uji nomor 11 dan 12 dengan hasil diagnosa kutu ikan. Kesalahan hasil diagnosa sistem pakar dapat disebabkan karena nilai kemunculan penyakit kutu ikan lebih besar dibandingkan dengan penyakit kutu jarum dan nilai munculnya suatu gejala pada kedua penyakit memiliki selisih yang sedikit.

  6. KESIMPULAN

  Berdasarkan perancangan dan pengujian yang telah dilakukan pada sistem diagnosis penyakit ikan mas koki menggunakan metode

  , maka diambil kesimpulan sebagai berikut:

  Wedatama Sastra. Jakarta.

  1. Sistem diagnosis penyakit ikan mas koki menggunakan metode Naive Bayes Classifier dengan menggunakan 3 proses perhitungan yaitu menghitung nilai prior atau peluang penyakit, menghitung likelihood berdasarkan gejala penyakit ikan yang dimasukkan oleh pengguna dan menghitung probabilitas

  posterior yang diperoleh dari perkalian nilai prior dan likelihood. Nilai posterior tertinggi

  akan diambil sebagai keputusan akhir sistem.

  2. Berdasarkan hasil pengujian akurasi diperoleh hasil akurasi sebesar 90% dari 20 data uji. Kesalahan dari sistem pada kasus uji nomor 11 dan 12 dengan hasil diagnosis kutu ikan. Kesalahan hasil diagnosis sistem dapat disebabkan karena nilai kemunculan penyakit kutu ikan lebih besar dibandingkan dengan penyakit kutu jarum dan nilai munculnya suatu gejala pada kedua penyakit memiliki selisih yang sedikit

  7. DAFTAR PUSTAKA

  Arhami, Muhammad. 2005. Konsep Dasar Sistem Pakar. Penerbit Andi.

  Yogyakarta. Basuki, Sulistyo. 2006. Metode Penelitian.

  Universitas Brawijaya Pujiyanta, A. 2013. Sistem Pakar Mendiagnosa Penyakit Pada Ikan Kosumsi Air Tawar Berbasis Website. Teknik Informatika Universitas Ahmad Dahlan.

  Yogyakarta. Rosnelly, Rika. 2012. Sistem Pakar. Penerbit Andi. Yogyakarta.

  Shadiq, M.A. 2009. Keoptimalan Naive Bayes dalam Klasifikasi. Universitas Pendidikan Indonesia. Bandung. Ting, S.L., 2011. Is Naïve Bayes a Good Classifier for Document Classification? .

  Hong Kong: Departement of Industrial and System Engineering, The Hong Kong Polytechnic University. Turban, Efraim and Aronson, Jay. 2005.

  Decision Support System and Intelligent System, 7 th Edition. New Jersey: Pearson Education.

  Wicaksan,D.P. 2015. Perbandingan algoritma K-Nearest dan Naive Bayes Untuk Studi Data Wisconsin Breast Cancer .

  Universitas Sanata Dharma. Depok.