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 CholissodinProgram 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.