Sistem Pakar Diagnosis Penyakit Kucing Menggunakan Metode Naive Bayes – Certainty Factor Berbasis Android

  Vol. 2, No. 2, Februari 2018, hlm. 650-658 http://j-ptiik.ub.ac.id

  

Sistem Pakar Diagnosis Penyakit Kucing Menggunakan Metode Naive

Bayes

• – Certainty Factor Berbasis Android
_{1 2 3} Achmad Affan Suprayogi Nugraha , Nurul Hidayat , Lutfi Fanani

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: affansupra@gmail.com, ntayadih@ub.ac.id, lutfifanani@ub.ac.id

  

Abstrak

  Pada saat ini masyarakat banyak sekali yang memelihara hewan kucing. Kondisi ini disebabkan karena banyak sekali manfaat yang dirasakan setelah memelihara kucing, anatar lain yaitu menumbuhkan rasa kasih sayang terhadap makluk hidup dan juga dapat membantu memulihkan kondisi psikologis seseorang sehingga dapat mengurangi stres. Selain pemeliharaannya yang relatif mudah, kucing adalah hewan yang lucu dan menggemaskan. Akan tetapi apabila kondisi kesehatan kucing terganggu akan berdampak negatif bagi pemelihara karena resiko dapat tertular penyakit dari kucing. Kesehatan kucing dirasa penting tetapi jumlah tenaga medis hewan kucing yang ada sangat terbatas. Pembuatan sistem ini dapat membantu pekerjaan pakar dalam mendiagnosis penyakit kucing. Metode yang digunakan adalah

  

Naive Bayes dan Certainty Factor. Metode Naive Bayes bekerja dengan cara mencari nilai peluang

  kemunculan penyakit kucing, sedangkan metode Certainty Factor bekerja dengan cara mencari nilai kepercayaan. Aplikasi ini dikembangkan berbasis android dengan menggunakan bahasa pemrograman JAVA dan XML pada Android Studio. Pengujian yang dilakukan dengan membandingkan kesesuaian hasil diagnosis sistem dengan hasil diagnosis pakar. Dari pengujian 25 data kasus didapatkan tingkat akurasi sistem pakar diagnosis penyakit kucing menggunakan metode Naive Bayes

• – Certainty Factor Berbasis Android sebesar 80%.

  Kata Kunci: penyakit kucing, diagnosis, sistem pakar, naive bayes, certainty factor

Abstract

  

At this time a lot of people who nourish cats. This is because a lot of the perceived benefits after nourish

cats, such as foster a sense of compassion for sentient beings and also can help restore a person's

psychological condition so as to reduce stress. In addition to maintenance a relatively easy, the cat is

a cute animal. However, if the health condition of cats is disrupted will have a negative impact for the

keeper because of the risk can be infected. Healthy cats deemed important but the number of medical

personnel cat animals is very limited. Making this system can help the work of experts in the diagnosis

of diseases of cats. The method used is Naive Bayes and Certainty Factor. Naive Bayes method works

by looking for the emerging value opportunities cat disease, whereas the Certainty Factor method

works by looking for the value of the trust. The application is built using the android-based

programming language JAVA and XML in Android Studio. The test is performed by comparing the

conformity result of the system diagnosis with the expert diagnosis. And from 25 test case data obtained

accuracy rate cat disease diagnosis expert system using Naive Bayes method - Certainty Factor-Based

Android by 80% .

  Keywords: cat diseases, diagnosis, expert systems, naive Bayes, certainty factor

  manusia. Jadi kesehatan kucing sangatlah 1.

   PENDAHULUAN penting, peran klinik rumah sakit hewan sangat

  dibutuhkan untuk melakukan tindakan medis Banyak sekali masyarakat yang memilih pada hewan peliharaan. Akan tetapi keterbatasan kucing sebagai hewan peliharaan. Kucing dapat seorang dokter hewan dalam melakukan menjadi bermanfaat bagi manusia, namun diagnosis penyakit kucing. apabila kucing sakit justru menjadi dampak

  Oleh sebab itu diperlukan sistem yang buruk seperti tertularnya penyakit kucing ke membantu peran dokter hewan dalam

  Fakultas Ilmu Komputer Universitas Brawijaya

650

• – certainty factor dan bagaimana hasil pengujian.

  (3) Hasil klasifikasi kelas dengan menggunakan metode Naive Bayes dilakukan dengan

  ( | ) = ( ) × ( | )

  (2) 3. Mencari nilai posterior dari tiap kelas yang ada dengan menggunakan persamaan (3).

  =

  (1) 2. Mencari nilai likelihood untuk tiap kelas dengan menggunakan persamaan (2).

  =

  1. Mencari nilai prior untuk tiap kelas dengan menghitung rata-rata tiap kelas dengan menggunakan persamaan (1).

  klasifikai. Perhitungan Bayes dapat dilakukan dengan menggunakan langkah-langkah berikut (Natalius, 2011).

  2.3. Naive Bayes Naive Bayes adalah salah satu metode

  Terdapat dua bagian penting dari sistem pakar meliputi linkungan konsultasi dan lingkungan pengembang. Lingkungan pengembang digunakan oleh pengembang sistem untuk membangun komponen dan memperkenalkan pengetahuan ke dalam basis pengetahuan. Untuk linkungan konsultasi berguna untuk melakukan konsultasi sehingga memperoleh penegetahuan dari sistem pakar layaknya dari seorang pakar (Sutojo, 2011).

  Sistem pakar adalah sistem cerdas berbasis komputer digunakan dalam penyelesaian masalah yang hanya bisa dilakukan oleh ahli/pakar pada suatu bidang. Dengan sistem ini masyarakat umum dapat melakukan perhitungan layaknya seorang pakar (Kusumadewi, 2003).

  2.2. Sistem Pakar

  Scabies, Gastritis, Helminthiasis, Rhinitis Dermatitis, Dermaphytosis, Otitis, Enteritis dan Sehat.

  Pada sistem ini hanya dapat mengidentifikasi 9 macam penyakit kucing saja. Berikut merupakan macam-macam penyakit kucing yang diidentifikasi:

  2.1. Penyakit Kucing

  2. LANDASAN KEPUSTAKAAN

  pengujian sistem pakar diagnosis penyakit kucing merupakan jawaban dari rumusan masalah yang telah dibuat yaitu bagaimana membuat sistem klasifikasi penyakit kucing menggunakan naive bayes

  naive bayes

  Tujuan dari penelitian ini yaitu membuat sistem klasifikasi penyakit kucing menggunakan

  Bayes – Certainty Factor Berbasis Android.

  Berdasarkan penjelasan yang sudah dipaparkan, oleh karenanya pada penelitian ini akan dibangun sebuah Sistem Pakar Diagnosis Penyakit Kucing Menggunakan Metode Naive

  Klasifikasi Gejala Penyakit Kucing, didapakan hasil akurasi yaitu 99,44% (Pitaloka, 2016).

  Naïve Bayes Classifier Untuk Diagnosis

  Kemungkinan Anak Terkena Disleksia. Pada penelitian ini dilakukan perbandingan antara metode Naive Bayes dan Certainty Factor untuk mengetahui metode mana yang terbaik dalam ketepatan akurasi. Hasil akurasi yang didapat yaitu 93% untuk metode Naive Bayes dan 53% untuk metode Certainty Factor (Tjahyati, 2014). Penelitian selanjutnya Implementasi Metode

  Certainty Factor Dalam Mendeteksi

  Pada penelitian penelitian terdahulu, penelitian dengan objek yang berbeda namun dengan metode yang sama yaitu, Analisis Perbandingan Metode Naive Bayes dan

  Berdasarkan survey dari We Are Social sebuah agensi marketing social, mengeluarkan sebuah laporan mengenai data jumlah pengguna mobile dari seluruh dunia, dan Indonesia termasuk mengguna mobile terbesar didunia (Wijaya K.K, 2015). Oleh karenanya aplikasi yang akan dibangun berbasis Android untuk menyesuaikan kebutuhan pengguna.

  untuk proses kalsifikasi, dalam proses sistemnya membutuhkan data latih dan data uji. Sedangkan metode Certainty Factor digunakan untuk menghadapi masalah yang jawabannya tidak pasti, ketidakpastian ini bisa merupakan probabilitas.

  Bayes Classifier

  menangani kasus penyakit kucing, dimana sistem tersebut dapat melakukan diagnosis penyakit kucing secara cepat dan tepat berdasarkan gelala penyakit kucing pada pasien berdasarkan rekap medis sebelumnya, Dengan adanya riwayat pelatihan (data latih) proses klasifikasi akan memperkuat hasil diagnosis penyakit kucing seperti menangani penyakit dengan kemiripan pola gejala. Dan dengan adanya hasil wawancara dengan pemilik kucing akan membantu dalam perhitungan nilai derajat ketidakpastian sehingga akan memperkuat faktor kepercayaan. Metode yang digunakan dalam penelitian ini adalah metode Naive Bayes dan metode Certainty Factor. Metode Naive

• – certainty factor dan melakukan
membandingkan nilai posterior dari kelas-kelas aplikasi yang diawali dengan analisis kebutuhan, yang ada. Nilai posterior yang paling tinggi yang pengumpulan data, lalu dilanjutkan dengan terpilih sebagai hasil klasifikasi. perancangan dan implementasi, dilanjutkan dengan pengujian dan analisis hasil pengujian

2.4. Certainty Factor sistem. Setelah semua proses selesai dilakukan

  maka penelitian diakhiri dengan penarikan

  Certainty theory menggunakan suatu nilai kesimpulan dan saran.

  yang disebut Certainty Factor (CF) untuk mengasumsikan derajat keyakinan seorang

  4. ANALISIS KEBUTUHAN pakar terhadap suatu data (Arhami, 2005).

  Ditunjukkan Formula Certainty Factor oleh

  4.1. Gambaran Umum Sistem

  Giarattano dan Riley, 1994 menggunakan Sistem pakar diagnosis penyakit kucing persamaan (4). menggunakan metode Naive Bayes

• – Certainty

  CF (H,E) = MB (H,E) (4)

• – MD (H,E)

  Factor merupakan sistem yang dapat melakukan

  Keterangan : proses diagnosis penyakit terhadap seekor kucing berdasarkan gejala-gejala masukan dari

• CF (H,E) = Certainty Factor dari pengguna aplikasi. Sistem ini dibangun dengan hipotesis H yang dipengaruhi oleh gejala berbasis android yang dikembangkan

  (evidence) E. Besarnya CF berkisar menggunakan Android Studio dengan bahasa antara -1 sampai 1. Nilai 1 menunjukkan kepercayaan mutlak sedangkan nilai -1 pemrograman JAVA dan Extensible Markup

  Language (XML).

  menunjukkan ketidakpercayaan mutlak.

  Pada sistem ini tersedia 3 fitur, yaitu fitur

• MB (H,E) = ukuran kenaikan panduan kode gejala, fitur diagnosis, dan fitur kepercayaan (measure of increased info. Fitur panduan kode gejala berisi mengenai

  belief ) terhadap hipotesis H yang

  kode-kode gejala beserta keterangannya. Fitur dipengaruhi oleh gejala E. diagnosis merupakan fitur utama, pada fitur ini

• MD (H,E) = ukuran kenaikan pengguna melakukan proses diagnosis dengan ketidakpercayaan (measure of increased memasukkan beberapa kode gejala pada

  disbelief ) terhadap hipotesis H yang checkbox yang tersedia dan nantinya hasilnya

  dipengaruhi oleh gejala E. akan ditampilkan pada halaman hasil. Yang terakhir adalah fitur info, fitur ini berisi

3. METODOLOGI mengenai informasi tentang sistem.

  4.2. Identitas Aktor

  Tahap ini ditujukan untuk melakukan identifikasi aktor yang berinteraksi dengan sistem pakar. Aktor apa saja yang terlibat dalam sistem pakar beserta proses apa saja yang dapat dilakukan oleh aktor berikut pada Tabel 1.

  Tabel 1. Identifikasi Aktor Aktor Deskripsi Aktor dapat melakukan melihat panduan kode gejala, mendiagnosis

  Pengguna penyakit, melihat hasil diagnosis, dan melihat info tentang aplikasi.

  4.3. Kebutuhan Fungsional Gambar 1. Diagram Alir Metodologi

  Pada bagian analisis kebutuhan fungsional Penelitian dimulai dengan mengumpulkan akan di deskripsikan daftar kebutuhan- dan mempelajari literatur-literatur yang dapat kebutuhan yang diperlukan untuk membangun menunjukkan keberhasilan penelitian. Setelah aplikasi sistem pakar diagnosis penyakit kucing itu, dilanjutkan dengan proses pembangunan menggunakan metode naive bayes

• – certainty

  factor . Kebutuhan fungsional ditunjukkan pada pada tabel 2.

  Gambar 2 merupakan model Use Case Diagram yang telah dibuat terdapat 1 (satu) aktor dan 4 (empat) use case yaitu melihat kode gejala, diagnosis, hasil, dan lihat info.

  Makan lunak/halus, obat penetral asam lambung, antibiotik, obat pengurang asam lambung

  P1 Scabies salep scabies P2 Gastritis

  Tabel 3 Jenis Penyakit Kucing Kode Penyakit Nama Penyakit Solusi

  Basis pengetahuan merupakan kumpulan suatu informasi yang diperoleh dari pakar untuk memecahkan suatu permasalahan terhadap suatu bidang tertentu. Basis pengetahuan bersifat dinamis, dapat berubah sewaktu-waktu karena pengetahuan dapat berkembang. Basis pengetahuan merupakan inti dari sistem pakar karena basis pengetahuan dijadikan sebagai acuan dalam perhitungan sistem pakar. Basis pengetahuan mencakup dua elemen dasar, yaitu fakta dan aturan (mengarahkan pengguna untuk memecahkan masalah khusus dalam domain tertentu). Berikut merupakan sekumpulan informasi yang digunakan pada penelitian ini, jenis penyakit kucing ditunjukkan pada tabel 3, gejala penyakit kucing ditunjukkan pada tabel 4 dan aturan diagnosis penyakit kucing ditunjukkan pada tabel 5.

  5.1. Basis Pengetahuan

  IMPLEMENTASI

  5. PERANCANGAN DAN

  Gambar 2. Use Case Diagram

  Tabel 2. Kebutuhan Fungsional No. Nama Fungsi Deskripsi Kebutuhan

  Berikut adalah Use Case Diagram dari sistem, pada Gambar 2.

  pada sistem yang menjelaskan interaksi aktor terhadap sistem yang akan dibangun. Use case diagram sangat penting untuk menjadi panduan bagi user maupun bagi developer untuk dalam proses pengembangan sistem. Didalam use case akan menjelaskan secara singkat bagaimana hubungan anatara usecase, aktor, dan juga sistem.

  Use case diagram merupakan gambaran

  4 Menampilkan informasi tentang aplikasi Aplikasi harus menampilkan informasi mengenai aplikasi dalam menu info

  3 Menampilkan hasil diagnosis Aplikasi harus menampilkan hasil diagnosis. Diantaran penyakit, nilai keyakinan, info penyakit, dan solusi.

  2 Tentukan kode gejala Aplikasi harus menyediakan ceckbox untuk digunakan pengguna sebagai masukan gejala-gejala penyakit untuk didiagnosis

  1 Menampilkan panduan kode gejala Aplikasi harus menampilkan keterangan dari masing-masing kode gejala dalam menu panduan kode gejala

4.4. Usecase Diagram

  Pemberian obat G20 Hidung berair Helmin-

  P3 cacing tiap 3 bulan G21 Ringwarm pada kulit thiasis sekali G22 Kulit kemerahan sampai lecet identifikasi penyebab G23 Jamuran alergi, obat anti alergi, G24 Lesi berminyak pengganti

  P4 Rhintis obat anti radang, G25 Guratan parah pada telinga antibiotic Adanya cairan hitam keluar

  G26 Mandi dengan telinga

  Dermato- shampoo jamur 2x G27 Telinga terdapat lilin dan bau P5 phytosis seminggu, salep anti

  G28 Diare campur darah jamur, obat anti jamur G29 Feses lembek Identifikasi penyebab G30 Minum banyak alergi jika ada, G31 Abdomen sakit antibiotik mandi G32 Vaksinasi P6

  Dermatitis dengan shampoo anti bakteri/jamur 2x

  Tabel 5 Aturan Diagnosis Penyakit Kucing seminggu

  Aturan Penyakit Gejala Makanan halus/lunak, G1, G2, G3, G4, G5, G6, G7, makanan khusus R1 P1

  G13, G23, G29, G32 P7 Enteritis pencernaan, G6, G8, G9, G10, G11, G13, antibiotik, anti diare,

  R2 P2 G18, G19, G29, G32 obat cacing G5, G6, G7, G8, G10, G11, Bersihkan telinga R3 P3 G12, G13, G14, G18, G23, dengan pembersih G29, G32

  P8 Otitis telinga, obat tetes G5, G13, G15, G16, G17, telinga dan anti R4 P4

  G19, G20, G32 radang G2, G3, G4, G5, G7, G8, Mandi 1

• – 2 minggu R5 P5 G11, G21, G22, G23, G32 sekali tergantung G3, G4, G5, G6, G7, G21, P9 Sehat tingkat kekotoran, R6 P6

  G22, G23, G24, G32 vaksinasi rutin, cek G3, G7, G8, G10, G11, G13, dokter tiap 3 bulan

R7 P7 G18, G28, G29, G30, G31,

  Tabel 4 Gejala Penyakit Kucing G32

G3, G5, G8, G10, G11, G12,

  Kode Gejala R8 P8 G13, G18, G25, G26, G27, Gejala

  G32 G1 Keratinisasi R9 P9 G32 G2 Gatal gatal

  G3 Keropeng G4 Ketombe

  5.2. Implementasi G5 Kutuan

  5.2.1 Diagram Alir G6 Kurus G7 Bulu rontok

  Berikut merupakan diagram alir perhitungan

  G8 Anoreksia Naive Bayes pada gambar 3. G9 Abdomen keras G10 Muntah

  G11 Diare G12 Perut buncit G13 Hilang nafsu makan G14 Ada cacing di fases G15 Pilek G16 Bersin bersin G17 Hidung tersumbat G18 Badan lemas G19 Mata berair

  Gambar 4 Diagram Alir Perhitungan Certainty Factor

  5.2.2. Langkah-langkah Perhitungan Naive Bayes

  1. nilai prior (peluang Menghitung kemunculan suatu penyakit pada data

  training ) berdasarkan gejala yang

  diperlukan. Perhitungan ini dilakukan dengan membagi jumlah masing-masing penyakit dengan jumlah keseluruhan data yang ada pada data latih.

  2. Melakukan pencarian nilai likelihood (peluang munculnya suatu gejala terhadap

  Gambar 3. Diagram Alir Perhitungan Naive Bayes

  suatu penyakit) dari probabilitas gejala yang mempengaruhi pada setiap penyakit) dari Berikut merupakan diagram alir perhitungan probabibilitas gejala yang mempengaruhi

  Certainty Factor pada gambar 4.

  pada setiap penyakit. Perhitungan ini dilakukan dengan membagi jumlah gejala yang ada pada masing-masing penyakit dengan jumlah masing-masing penyakit.

  3. Melakukan pencarian nilai posterior (probabilitas akhir) pada masing-masing penyakit, dengan cara mengalikan nilai prior dengan nilai likelihood masing-masing gejala pada setiap penyakit.

  Setelah didapatkan hasil diagnosis penyakit menggunakan metode Naive Bayes, maka selanjutnya akan dilakukan perhitungan nilai kepastian dengan menggunakan Certainty

  Factor . Perhitungan ini dimaksudkan untuk

  Sistem menampilkan checkbox

  memastikan hasil output CF maksimal yaitu

  Hasil yang kode-kode gejala dan sistem

  mendekati nilai 1, dan juga untuk mengetahui

  didapatkan dapat melakukan diagnosis

  persentase dari hasil perhitungan metode Naive

  berdasarkan masukan pengguna Bayes . Status

5.2.3. Langkah-langkah Perhitungan

  Valid Validasi Certainty Factor 1.

  Penyakit yang akan dihitung nilai Berdasarkan prosedur pengujian yang telah kepastiannya merupakan penyakit dari hasil dijalankan, maka dapat disimpulkan bahwa diagnosis pada metode Naive Bayes. Pada sistem pakar diagnosis penyakit kucing telah perhitungan ini nilai CFpakar dikalikan sesuai dengan seluruh kebutuhan fungsional dengan CFuser. yang telah ditentukan.

  2. Setelah nilai CF dihitung, maka selanjutnya yaitu menghitung nilai CFcombine.

  6.2 Pengujian Usability

  Perhitungan CFcombine menggunakan nilai CF yang diperoleh dari CFpakar*CFuser,

  Prosedur Pengujian usability dilakukan dimana nilai CF dianggap sebagai nilai CF1 dengan cara meminta pengguna sistem untuk dan CF2. Setiap kali eksekusi hanya mengisi kuisioner setelah mencoba menggunakan dua buah data saja (CF1 dan menggunakan sistem yang telah dibuat. Pada

  CF2). Nilai tersebut digunakan untuk kuisioner, setiap pertanyaan memiliki nilai satu memberikan bobot pada setiap aturan yang sampai dengan lima dan dari total seluruh nilai ada. dibagi dengan jumlah pertanyaan, hasil dari nilai tersebut dijadikan sebagai tolak ukur kelayakan sistem dimana semakin tinggi nilai yang didapat maka semakin baik sistemnya.

  6. PENGUJIAN Kuisioner sebanyak 20 yang masing-masing

  berisi 10 pertanyaan dibagikan kepada

6.1 Pengujian Validasi (Blackbox)

  pengguna, masing-masing pertanyaan memiliki nilai satu sampai dengan lima penilaian Prosedur pengujian validasi diawali dengan dilakukan setelah pengguna mengoperasikan mendefinisikan kebutuhan fungsional yang akan sistem. diuji. Setelah itu, hasil yang diharapkan akan

  Hasil kuisioner pengujian usability diatas dibandingkan dengan hasil yang didapatkan maka dilakukan perhitungan mean untuk setelah melalui tahap-tahap pengujian yang telah mendapatkan rata-rata. Perhitungan hasil ditentukan sebelumnya. Hasil pengujian kuisioner pengujian usability dapat dilihat terhadap kebutuhan fungsional memilih kode sebagai berikut: gejala, ditunjukkan pada Tabel 6.

  822 Tabel 6 Kasus Uji Memilih Kode Gejala

  = ℎ = 200 = 4,11 Nama Kasus Memilih kode gejala

  Keterangan :

  Uji

  Jika Mean = 1 maka sistem dianggap sangat

  Untuk memastikan sistem dapat

  buruk

  menampilkan checkbox kode-

  Jika Mean = 2 maka sistem dianggap buruk

  Tujuan kode gejala dan sistem dapat

  Jika Mean = 3 maka sistem dianggap biasa

  Pengujian melakukan diagnosis

  saja

  berdasarkan masukan pengguna

  Jika Mean = 4 maka sistem dianggap baik Jika Mean = 5 maka sistem dianggap sangat 1.

  Sistem dijalankan Prosedur

  baik.

  2. Memilih menu diagnosis Pengujian

3. Memilih kode gejala

  6.3 Pengujian Akurasi Dapat menampilkan checkbox

  Pengujian akurasi digunakan untuk

  Hasil yang kode-kode gejala dan sistem mengetahui seberapa besar nilai akurasi sistem. diharapkan dapat melakukan diagnosis

  Pada pengujian akurasi dilakukan dengan

  berdasarkan masukan pengguna

  membandingkan hasil diagnosis pakar dengan hasil diagnosis sistem apakah hasil yang disimpulkan bahwa sistem yang didapatkan sama. dibangun sudah baik.

  Berdasarkan hasil pengujian akurasi c.

  Hasil pengujian akurasi Sistem Pakar menggunakan 25 yang telah dilakukan, terdapat Diagnosis Penyakit Kucing

• – 20 data yang hasil diagnosisnya sama dengan Menggunakan Metode Naive Bayes hasil diagnosis pakar. Selanjutnya akan dihitung Certainty Factor Berbasis Android nilai akurasi dengan persamaan berikut: memiliki nilai persentase akurasi sebesar 80%, karena terdapat 5 data uji

  ℎ =

  dari 25 data uji yang tidak sesuai dengan

  ℎ × 100%

  hasil pakar yang disebabkan oleh

  20

  kemiripan gejala anatara penyakit,

  = 25 × 100% = 80

  dengan membandingkan hasil diagnosis Maka hasil nilai akurasi pada pengujian tersebut pakar dengan hasil diagnosis sistem. didapatkan nilai sebesar 80%.

DAFTAR PUSTAKA 7. KESIMPULAN

  Rahman,

  A., 2008. MORFOGENETIKA Berdasarkan hasil perancangan dan KUCING RUMAH (Felis domesticus) DI pengujian yang sudah dilakukan pada sistem DESA JAGOBAYO KECAMATAN LAIS pakar pakar diagnosis penyakit kucing BENGKULU UTARA BENGKULU . Jurnal menggunakan metode Naive Bayes Exacta. pp. 30

• – Certainty Factor berbasis android dapat diambil

  Hidayat S., 2010. Aplikasi Untuk Mendeteksi kesimpulan sebagai berikut :

  Jenis Penyakit Pada Tanaman Tebu Dan 1.

  Sistem Pakar Diagnosis Penyakit Kucing Cara Penanganannya Berbasis Web .

• – Menggunakan Metode Naive Bayes Skripsi. Tidak diterbitkan. Jurusan Teknik

  Certainty Factor Berbasis Android, sistem

  Informatika Fakultas Ilmu Komputer ini dibangun dengan berbasis android. Untuk Universitas Indonesia Bandung. metode Naive Bayes dengan menggunakan

  Pitaloka., 2016. Implementasi Metode Naïve data gejala penyakit yang kemudian dihitung peluang kemunculan dan probabilias dari Bayes Classifier Untuk Diagnosis Klasifikasi Gejala Penyakit Kucing . masing-masing penyakit. Setelah itu untuk

  Teknik Informastika PTIIK Universitas metode Certaity Factor menggunakan gejala penyakit yang diberikan nilai kepercayaan. Brawijaya, Malang Sistem dapat mendiagnosis penyakit kucing

  Kusumadewi, Sri., 2003. Artificial Itelligence dengan gejala yang digunakan sebanyak 32

  (Teknik dan Aplikasinya) . Graha Ilmu.

  butir dan jenis penyakit kucing sebanyak 9 Yogyakarta. butir berdasarkan hasil wawancara dengan

  Wijaya K.K., 2015. Berapa jumlah pengguna pakar.

  website, mobile, dan media sosial di 2.

  Terdapat 2 tahapan pengujian yang . id.techinasia.com. [Online]

  Indonesia?

  merupakan kelanjutan dari sistem ini Tersedia di: https://id.techinasia.com sebagai syarat memenuhi kebutuhan /laporan-pengguna-website-mobile- pembuatan sistem. media-sosial-indonesia. [Diakses Pada a. Hasil pengujian validasi (blackbox) tanggal 10 Maret 2017]

  Sistem Pakar Diagnosis Penyakit Kucing Menggunakan Metode Naive

  Meilani, D.B., 2014. SISTEM DATA MINING

  Bayes

• – Certainty Factor Berbasis UNTUK MENGHASILKAN POLA

  Android dikarenakan pada semua kasus

KELULUSAN SISWA DENGAN METODE

  uji yang sudah dilakukan, secara

  NAIVE BAYES . Jurnal Link. pp. 3

  keseluruhan dapat berfungsi dengan Ali A.A., 2015. PEMODELAN SISTEM PAKAR baik, maka tingkat persentase

  DIAGNOSA PENYAKIT TANAMAN kesesuaian validasi sebesar 100%. CABAI MERAH MENGGUNAKAN b.

  Hasil pengujian usability diperoleh rata-

  METODE AHP-SAW . Skripsi. Tidak

  rata perhitungan yang bernilai 4,11. Dari diterbitkan. Teknik Informatika PTIIK nilai rata-rata tersebut dapat Universitas Brawijaya, Malang. Natalius., 2011. Metode Naive Bayes Classifier Triakoso N., 2006. PENYAKIT SISTEM

  dan Penggunaannya pada Klasifikasi DIGESTI VETERINER II. BAHAN AJAR Dokumen . Makalah II 2092 Probabilitas

  ILMU PENYAKIT DALAM VETERINER

  dan Statistika. pp. 1

  II . Pp 31 Neno., 2016. Infeksi Telinga (Otitis) pada Triakoso N., 2013. Small Animal Dematology. Kucing . KucingKita.com. [Online] [Online] Tersedia di:

  Tersedia di: http://kucingkita.com. https:/triakoso.wordpress.com/tag/dermat [Diakses Pada tanggal 05 Maret 2017] ology [Diakses Pada tanggal 05 Maret

  2017] Palguna David dkk., 2014. SISTEM PAKAR

  Vhodzan Adzima., 2013. ISOLASI DAN

  DIAGNOSIS PENYAKIT KULIT PADA KUCING MENGGUNAKAN CERTAINTY

  IDENTIFIKASI KAPANG PENYEBAB FACTOR . JSIKA. Pp. 75 DERMATOFITOSIS PADA ANJING DI KECAMATAN SYIAH KUALA LUMPUR

  Saputra., 2014. KOMPOSISI ALGORITMA

  BANDA ACEH . Jurnal Medika KLASIFIKASI DATA MINING UNTUK

  Veterinaria. pp. 46

  MEMPREDIKSI PENYAKIT TUBERCULOSIS (TB): STUDI KASUS PUSKESMAS KARAWANG SUKABUMI .

  Seminar Nasional Inovasi dan Tren (SNIT). pp. 2 Saputra Thomas., 2015. Enteritis Pada Hewan.

  Ilmu Veteriner . [Online] Tersedia di:

  http://ilmuveteriner.com/enteritis-pada- hewan. [Diakses Pada tanggal 05 Maret 2017]

  Silalahi Rumondang M.S., 2011. Perancangan

  Aplikasi Sistem Pakar Untuk Diagnosis Penyakit Ginjal Dengan Kombinasi Metode Certainty Factor Dan Metode Forward Chaining . Skripsi. Tidak

  Diterbitkan. Departemen Ilmu Komputer Fakultas MIPA Universitas Sumatra Utara, Medan.

  Sufyan Muhammad., 2016. Ini Manfaat Memelihara Kucing untuk Kesehatan .

  Liputan6. [Online] Tersedia di http://health.liputan6.com/read/2516695/i ni-manfaat-memelihara-kucing-untuk- kesehatan. [Diakses Pada tanggal 05 Maret 2017]

  Sutojo T, Mulyanto Edy, & Suhartono Vincent., 2011. Kecerdasan Buatan. Yogyakarta: Andi

  Tjahyati T., 2014. Analisa Perbandingan

  Metode Certainty Factor Dan Naive Bayesian Dalam Mendeteksi Kemungkinan Anak Terkena Disleksia. Skripsi. Tidak diterbitkan . Program Studi

  Teknik Informatika Fakultas Teknik Dan Ilmu Komputer Universitas Komputer Indonesia.