Sistem Pakar Diagnosis Penyakit Sapi Ternak Potong Menggunakan Metode Naïve Bayes - Certainty Factor
Vol. 2, No. 10, Oktober 2018, hlm. 3406-3410 http://j-ptiik.ub.ac.id
Sistem Pakar Diagnosis Penyakit Sapi Ternak Potong Menggunakan
Metode Naïve Bayes - Certainty Factor
1 2 3 Dhimas Tungga Satya , Nurul Hidayat , SutrisnoProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
1
3 Email: dhimastunggasatya@gmail.com trisno@ub.ac.id
Abstrak
Rendahnya kemampuan peternakan dalam negeri untuk mencukupi kebutuhan daging dan susu sapi disebabkan oleh banyak hal. Salah satunya adalah penyakit. Seperti penyakit antraks, penyakit sapi ngorok, penyakit brucellosis dan penyakit yang disebabkan oleh cacing parasit saluran pencernaan yang merupakan penyebab salah satu turunnya tingkat produksi daging dan susu sapi oleh peternak. Saat ini sumberdaya pakar dalam mendiagnosis penyakit sapi masih terbatas, maka dibutuhkan sebuah sistem pakar yang dapat menggantikan peran pakar dalam mendiagnosis penyakit pada sapi. Pada penelitian ini mengimpelmentasikan sistem pakar diagnosis penyakit sapi ternak potong menggunakan metode
Naïve Bayes
- – Certainty Factor. Dengan menggunakan metode Naïve Bayes – Certainty Factor
menghasilkan ketepatan hasil diagnosis yang baik dan akurat karena keluaran yang dihasilkan oleh sistem mempunyai tingkat keakuratan sebesar 92% dan sistem yg telah dibuat memiliki tingkat kepuasan pengguna sebesar 3,19411.
Kata kunci : Sistem Pakar, Penyakit Sapi, Naïve Bayes, Certainty Factor,Android.
Abstract
The low ability of domestic farms to fulfill necessity of beef and cow's milk is caused by many things.
One of them is a disease. Such as anthrax, snore of cow disease, brucellosis and diseases caused by
parasitic gastrointestinal worms which are the most agent of decreasing levels of beef and dairy
production by breeders. Currently expert resources in diagnosing cattle diseases are limited, it takes an
expert system that can replace the role of experts in diagnosing diseases in cattle. In this study to
implement the expert system diagnosis of cattle disease using method Naïve Bayes - Certainty Factor.
Using the Naïve Bayes - Certainty Factor method results in accurate and accurate diagnostic accuracy,
since the output produced by the system has a level of accuracy of 92% and the system created has a
user satisfaction level of 3.19411.Keywords : Expert System, Cow Disease, Naïve Bayes, Certainty Factor, Android.
satunya adalah penyakit. Seperti penyakit 1. antraks, penyakit sapi ngorok, penyakit
PENDAHULUAN brucellosis dan penyakit yang disebabkan oleh
Susu dan daging yang bersumber dari sapi cacing parasit saluran pencernaan yang adalah produk dari sektor peternakan yang perlu merupakan penyebab salah satu turunnya tingkat mendapatkan perhatian. Kebutuhan masyarakat produksi daging dan susu sapi oleh peternak. akan susu dan daging meningkat setiap tahun
Oleh sebab itu diperlukan sebuah sistem namun industri susu dan daging nasional belum pakar yang dapat mendiagnosa penyakit pada memenuhi kebutuhan susu dan daging untuk hewan ternak sapi yang mudah dimengerti dan masyarakat sepenuhnya. Oleh karena itu untuk dapat diakses oleh semua kalangan masyarakat mencukupi kebutuhan susu dan daging nasional lewat internet. Penyakit pada ternak dapat hingga saat ini, Indonesia tergantung pada susu menimbulkan kerugian ekonomi yang cukup dan daging impor dari luar negeri. besar bagi peternak khususnya dan masyarakat
Rendahnya kemampuan peternakan dalam luas pada umumnya. Salah satu bagian yang negeri untuk mencukupi kebutuhan akan daging paling penting dalam penanganan kesehatan dan susu sapi disebabkan oleh banyak hal. Salah ternak adalah melakukan pengamatan terhadap
Fakultas Ilmu Komputer Universitas Brawijaya
3406 ternak yang sakit melalui pemeriksaan ternak yang diduga sakit. Namun para peternak sapi memiliki pengetahuan yang rendah mengenai teknis pemeliharaan sapi seperti mutu pakan, perkandangan, dan kesehatan atau penyakit sapi. Keadaan tersebut mengakibatkan para peternak memiliki ketergantungan yang tinggi terhadap pakar ternak sapi atau dokter hewan yang ahli dalam menangani penyakit sapi. Akan tetapi jumlah pakar ternak sapi atau dokter hewan saat ini jumlahnya terbatas, terutama di pedesaan. Biaya yang harus dikeluarkan juga tidak sedikit jumlahnya karena pakar ternak sapi atau dokter hewan harus bekerja secara on call.
Dalam dunia komputer, sistem yang bekerja seperti pakar biasa disebut sebagai sistem pakar atau expert system. Sistem pakar ini akan mengimplementasikan wawasan dan ilmu pakar dalam mendeteksi dan memberikan solusi penanganan penyakit baik manusia, hewan, dan tanaman (Kusumadewi, 2003).
Sehingga didapatkan rata-rata akurasi sistem sebesar 93,08%. Tingkat akurasi tertinggi didapat ketika variasi data training berjumlah 40% dan 60% dari keseluruhan jumlah data
2.1 Sistem Pakar
2. TINJAUAN PUSTAKA
Bayes.
untuk menghitung nilai keyakinan dari hasil diagnosis dari perhitungan metode Naïve
Naïve Bayes untuk menghitung nilai probabilitas prior dari setiap penyakit dan metode Certainty Factor
Pada penelitian Selanjutnya tentang sistem pakar diagnosa penyakit sapi dengan metode certainty factor berbasis Android. Dimana Certainty Factor digunakan untuk perancangan program aplikasi. Certainty Factor merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan sebesar 0,710 yang berarti 71%. Namun dalam penelitian ini hanyalah bersifat prototype (Swono, 2015). Berdasarkan uraian diatas, peneliti mengusulkan penelitian menggunakan metode
komposisi data kasus berpengaruh dalam hasil akurasi sistem. Semakin banyak data training belum tentu dapat menjamin sistem pakar yang dihasilkan akan semakin baik. Jadi dalam menentukkan data training harus komposisi data kasus masing-masing class untuk menghasilkan sistem pakar yang baik (Indriana, 2015).
training yang ada. Hal ini membuktikan bahwa
, didapatkan hasil sebagai berikut: Berdasarkan kelima skenario pengujian akurasi terhadap variasi data menghasilkan nilai rata- rata akurasi masing-masing skenario sebesar 93,08%, 93,85%, 93,85%, 92,31% dan 92,31%.
Naïve Bayes merupakan teknik probabilitas
Bayes
dapat berjalan dengan baik. Pengujian akurasi dilakukan dengan membandingkan hasil diagnosa sistem dengan hasil diagnosa seorang pakar. Pengujian akurasi dilakukan terhadap variasi data dengan cara mengubah data training. Pengujian variasi data terbagi menjadi empat skenario yaitu jumlah data training 20%, 40%, 60%, 80% dan 100%. Tujuan pengujian variasi data training adalah untuk akurasi paling optimal terhadap perubahan data training. Berdasarkan hasil perancangan dan pengujian yang dilakukan pada sistem pakar diagnosa penyakit pada sapi potong dengan metode Naive
blackbox akan menguji fungsionalitas sistem
dan pengujian akurasi. Pengujian
blackbox
Penelitian pertama tentang Aplikasi Algoritma Naïve Bayes untuk mendiagnosa penyakit sapi potong. Pada penelitian ini algoritma naïve bayes digunakan untuk mengklasifikasi dan menentukan probabilitas yang nantinya perhitungan pada penyakit sapi potong sesuai dengan fakta gejala yang ada pada tabel kepercayaan. Pengujian sistem dilakukan untuk mengetahui tingkat kesuksesan sistem pakar yang telah dibangun. Pengujian sistem dilakukan melalui dua cara yaitu pengujian
dalam sebuah kejadian (fakta atau hipotesa) berdasar bukti atau penilaian pakar (Turban, 2005). Certainty Factor memiliki tingkat keakuratan yang lebih tinggi dibandingkan dengan metode lainnya karena cara perhitungannya yang hanya dapat membandingkan tiap dua nilai saja (Sutojo, 2011).
Certainty Factor menyatakan kepercayaan
yang mampu menyelesaikan masalah ketidakpastian dengan konsep probabilitas hipotesis dan evidence (Hardika, 2014). Teknik probabilitas ini dapat digunakan dalam memprediksi suatu penyakit yang diderita oleh seseorang.
Sistem pakar adalah aplikasi berbasis komputer yang digunakan untuk menyelesaikan masalah sebagaimana yang dipikirkan oleh pakar. Pakar adalah orang yang mempunyai keahlian khusus yang dapat menyelesaikan masalah yang tidak dapat diselesaikan oleh orang awam. Seperti dokter sebagai pakar yang mampu mendiagnosis penyakit yang diderita pasien serta dapat memberikan penatalaksanaan terhadap penyakit tersebut (Turban, 2005).
2.2 Naive Bayes
Menurut Fauziyah (2012), metode Naïve
increased disbelief ) terhadap hipotesis H yang dipengaruhi oleh gejala E.
CF (H, E): Certainty Factor dari
hipotesis H yang dipengaruhi oleh gejala (evidence) E. Besarnya CF berkisar antara -1 sampai 1. Nilai -1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kepercayaan mutlak.
MB (H,
E): ukuran kenaikan kepercayaan (measure of increased
belief ) terhadap hipotesis H yang dipengaruhi oleh gejala E.
MD (H, E): ukuran kenaikan
ketidakpercayaan (measure of
Bentuk dasar rumus certainty factor, adalah sebuah aturan JIKA E MAKA H seperti ditunjukkan oleh persamaan 2 berikut:
persamaan berikut:
CF (H, e) = CF (E, e) * CF (H, E) Dimana :
CF (H, e): certainty factor hipotesis yang dipengaruhi oleh evidence e.
CF (E, e): certainty factor evidence E yang dipengaruhi oleh evidence e.
CF (H, E): certainty factor hipotesis dengan asumsi evidence diketahui dengan pasti, yaitu ketika CF(E, e) = 1 Jika semua evidence pada antecedent diketahui dengan pasti maka persamaannya akan menjadi:
CF (E, e) = CF (H, E) Dalam aplikasinya, CF(H,E) merupakan nilai kepastian yang diberikan oleh pakar terhadap suatu aturan, sedangkan CF(E,e) merupakan nilai kerpercayaan yang diberikan oleh pengguna terhadap gejala yang dialaminya.
3. METODOLOGI
Pada sistem pakar diagnosis penyakit sapi ternak potong ini memiliki beberapa tahap yang berurutan dan agar sesuai dengan hasil yang diperlukan. Berikut merupakan diagram alir secara umum yang digambarkan pada Gambar 1.
CF (H, E) = MB (H, E) – MD (H, E)
Certainty Factor didefinisikan sebagai
Bayes Classifier adalah suatu classifier probabilistic simple
1. Mencari Nilai prior untuk tiap-tiap kelas dengan menghitung rata-rata tiap kelas dengan menggunakan persamaan (2).
yang berdasarkan pada teorema bayes pada umumnya, inferensi Bayes khususnya dengan asumsi independensi yang kuat (naïve), Pada prosesnya, Naïve Bayes
Classifier mengasumsikan bahwa ada atau
tidaknya suatu fitur pada suatu kelas tidak berhubungan dengan ada atau tidaknya fitur lain di kelas yang sama. Teorema Bayes dikemukakan oleh seorang ilmuan pada abad 18 yang bernama Thomas Bayes. Teorema
Bayes adalah sebuah pendekatan untuk sebuah
ketidaktentuan yang diukur dengan probabilitas. Pada saat klasifikas, pendekatan
Bayes akan menghasilkan label kategori yang
paling tinggi probabilitasnya. Perhitungan metode Naïve Bayes dapat dilakukan dengan langkah-langkah sebagai berikut :
P =
Faktor kepastian (certainty factor ) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN. Certainty Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan.
(2) Dimana, P = Nilai prior X = Jumlah data tiap kelas A = Jumlah data seluruh kelas
2. Mencari nilai likelihood untuk tiap-tiap kelas dengan persamaan (3).
L =
(3) Dimana, L = Nilai likelihood F = Jumlah data fitur tiap kelas B = Jumlah seluruh data tiap kelas
3. Mencari nilai posterior sari tiap kelas yang ada menggunakan persamaan (4).
( ) ∏ ( | ) (4)
Dimana, P(c) = Nilai prior tiap kelas
P(a|c) = Nilai likelihood
2.3 Certainty Factor
Gambar 1.
Pada pengujian akurasi ini total data uji yang dipakai yaitu 50 data. Pengujian akurasi akan membandingkan hasil diagnosis pakar terdapat 46 data yang memiliki hasil diagnosis yang sama dengan hasil diagnosis yang sama dengan hasil diagnosis pakar, sehingga tingkat akurasi pada pengujian akurasi sebagai berikut: % =
Selesai
Naïve Bayes Perhitungan Certainty Factor
Mulai Data uji Perhitungan
Berdasarkan dari hasil penelitian yang telah
5. KESIMPULAN
menghasilkan tingkat akurasi sebesar 92 %. Hasil tersebut menunjukkan bahwa sebuah sistem pakar menggunakan metode naïve bayes-certainty factor untuk melakukan proses diagnosis akan menghasilkan sebuah sistem pakar dengan ketepatan hasil diagnosis yang baik dan akurat.
Certainty Factor
46 50 100% = 92 % Berdasarkan hasil pengujian akurasi yang telah dilakukan, sistem pakar diagnosis penyakit sapi menggunakan metode Naïve Bayes-
% =
ℎ ℎ 100%
4.2 Pengujian Akurasi Sistem
Diagram Alir sistem
pengguna sebesar 3,19411. Hal tersebut menunjukkan bahwa aplikasi sistem pakar yang telah dibuat memberikan user experience yang bai dan kenyamanan pada saat digunakan.
factor menghasilkan nilai tingkat kepuasan
Berdasarkan hasil pengujian kepuasan pengguna yang telah dilakukan, aplikasi sistem pakar diagnosis penyakit pada sapi menggunakan metode naïve bayes-certainty
Nilai Kepuasan Pengguna = (3,5294 + 3,3529 + 3,2941 + 3,2353 + 3,4118 + 3,0588 + 2,8824 + 3,0588 + 3,0588 + 3,0588)/10 = 31,9411/10 = 3,19411 Dari proses perhitungan nilai kepuasan pengguna didapatkan nilai kepuasan pengguna sebesar 3,19411.
ℎ ℎ
Nilai yang didapatkan dari hasil perhitungan nilai setiap butir pertanyaan akan digunakan dalam menghitung nilai kepuasan pengguna menggunakan rumus: =
Pada pengujian kepuasan pengguna, diberikan kuisioner untuk menguji tingkat kepuasan pengguna dalam menggunakan aplikasi sistem pakar sejumlah 13 butir pertanyaan yang terdapat pada Lampiran.. Kuisioner diberikan kepada 17 responden yang berasal dari pakar penyakit sapi. Tiap-tiap pertanyaan dari kuisioner bertujuan untuk menunjukkan tingkat usability aplikasi sistem pakar menurut pendapat pengguna saat menggunakan aplikasi sistem pakar.
Pengujian kepuasan pengguna dilakukan agar mengetahui tingkat kepuasan pengguna dan kenyamanan dalam menggunakan aplilkasi sistem pakar.
dimana nilai tertinggi itu akan menjadi hasil dari diagnosis. Kemudian dilanjut dengan perhitungan metode Certainty Factor untuk mengetahui hasil keyakinan dari hasil diagnosis yang didapat dari hasil Posterior.
Prior dengan mencari nilai yang tertinggi, yang
Pada Gambar 1 dijelaskan bahwa sistem yang akan dikembangkan memiliki tujuan untuk menghitung peluang probabilitas penyakit menggunakan metode Naïve Bayes pada penyakit sapi yang ada dari setiao gejala gejala inputan yang ada. Proses Naïve Bayes tersebut diawali oleh proses Prior , yaitu proses mencari peluang semua penyakit dibagi seluruh jumlah penyakit, lalu selanjutnya proses Likelihood yang dimana mengitung setiap gejala pada masing masing penyakit yang ada, kemudian langkah terakhir dari Naïve Bayes adalah perhitungan Posterior yang dimana mencari nilai tertinggi hasil Likelihood dikalikan dengan Hasil
4. HASIL DAN PEMBAHASAN
4.1 Pengujian Kepuasan Pengguna
6. DAFTAR PUSTAKA BPS. (2015). Badan Pusat Statistik Indonesia.
1. Dalam mengimplementasikan metode naïve
bayes-certainty factor
pada sistem pakar diagnosis penyakit sapi berbasis android dapat diterapkan dengan baik. Proses diagnosis penyakit sapi dapat dilakukan memasukkan gejala-gejala yang muncul pada penyakit sapi oleh pengguna. Melalui gejala-gejala yang dimasukkan akan dilakukan perhitungan dengan menggunakan metode naïve bayes
dilakukan demikian, maka dapat diambil beberapa kesimpulan sebagai berikut:
Penyakit Paru Dengan Metode Naïve Bayes Classifier. Jurnal Sarjana Informatika, I, 39.
. Malang. Fauziyah. (2012). Sistem Pakar Untuk Diagnosis
Diagnosia Penyakit HIV Menggunakan Metode Fuzzy Sugeno-Certainy Factor
Diasta, L. S. (2016). Pemodelan Sistem Pakar
Retrieved Agustus 12, 2017, from
- – certainty factor
experience
Sistem Diagnosis Penyakit Diabetes Melitus Menggunakan Metode Certainty Factor. Jurnal Sarjana Teknik Informatika.
(2013). Sedap Malam. Informasi
Komoditas Holtikultura
. Jakarta: Bidang Data Komoditas Pusat Data dan Sistem Informasi Pertanian.
Safaat, H. (2012). Android: Pemrograman
Aplikasi Mobile Smartphone dan Tablet PC. Bandung: INFORMATIKA.
Saputro, B., Delima, R., & Purwadi, J. (2011).
Silalahi, N. (2015). Sistem Pakar Diagnosis
Diagnosis Penyakit Demam Berdarah Menggunakan Metode Naïve Bayes- Certainty Factor . Malang.
Penyakit Jantung Menggunakan Metode Certainty Factor . Malang.
Sutojo T. (2011). Kecerdasan Buatan .
Yogyakarta: Andi. Syatibi, A. (2012). Sistem Pakar Diagnosis Awal
Penyakit Kulit Sapi Berbasis Web Menggunakan Metode Certainty Factor
. Semarang: Univeritas Diponegoro. Turban. (2005). Sistem Pendukung Keputusan
dan Sistem Cerdas . Yogyakarta: Andi.
Pusat Data dan Sistem Informasi Pertanian.
Malang. Pertiwi, B. (2015). Pemodelan Sistem Pakar
yang baik dan kenyamanan pada saat digunakan, serta dalam membuat sebuah sistem pakar menggunakan metode
dimana hasil dari perhitungan akan menghasilkan sebuah diagnosis berupa nama hama-penyakit yang menyerang tanaman beserta cara penanganannya. Setelah didapatkan hasil diagnosis dari metode naïve bayes, hasil diagnosis akan dihitung nilai keyakinannya (CF) yang bertujuan untuk mengetahui persentase dari hasil perhitungan metode naïve bayes.
naïve bayes-certainty factor
akan menghasilkan sebuah sistem pakar dengan ketepatan hasil diagnosis yang baik dan akurat.
3. Metode yang digunakan pada implementasi dapat diterapkan dengan baik dan memiliki nilai akurasi yang cukup tinggi dan mendapatkan akurasi sistem sebesar 92%.
dibuat memiliki nilai tingkat kepuasan pengguna sebesar 3,19411, nilai tingkat kepuasan pengguna merupakan hasil dari penilaian kuisioner 17 responden yang berasal dari pakar penyakit sapi. Tingkat akurasi yang dihasilkan oleh sistem pakar yang telah dibuat memberikan user
certainty factor berbasis android yang telah
2. Aplikasi sistem pakar diagnosis penyakit sapi menggunakan metode naïve bayes-
likelihood , nilai probabilitas posterior,
Diagnosa Penyakit Mata Menggunakan Metode Naïve Bayes-Certainty Factor .
mendiagnosis nama penyakit, dapat dilakukan perhitungan menggunakan metode naïve bayes dengan menghitung nilai probabilitas prior nilai probabilitas
certainty factor pada sistem dalam
untuk mendapatkan hasil sistem berupa jenis penyakit yang menyerang sapi. Dalam mengimplementasikan metode naïve bayes-
Identifikasi Hama dan Penyakit Tanaman Tebu Dengan Metode Naïve Bayes Berbasis Web.
Malang. Kusumadewi S. (2003). Artificial Intelegence
(Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.
Lestari, P. (2016). Pemodelan Sistem Pakar
Hardika, A. (2014). Aplikasi Sistem Pakar Untuk