Sistem Pakar Identifikasi Penyakit Paras

`

SISTEM PAKAR IDENTIFIKASI PENYAKIT ASCARIDIASIS,
KOKSIDIOSIS, DAN SESTODIASIS PADA AYAM
MENGGUNAKAN METODE CERTAINTY FACTOR

1.
2.
3.
4.
5.

Disusun Oleh:
Nadia Rahmah
Ikhsan Wisudhandi W.
Handoko Dyan Aditya
Albert Sebastian
Muhammad Fuad M.

(G64110056)
(G64110062)

(G64110065)
(G64110075)
(G64110113)

DEPARTEMEN ILMU KOMPUTER
FAKULTAS ILMU PENGETAHUAN ALAM DAN MATEMATIKA
INSTITUT PERTANIAN BOGOR
BOGOR
2014

2

PENDAHULUAN

1. Latar Belakang
Dewasa ini perkembangan ayam di negara Indonesia sangat pesat. Hal tersebut
disebabkan peternakan ayam telah menjadi peluang bisnis yang sangat menjanjikan.
Berternak ayam juga merupakan sebuah bisnis yang dapat dijangkau oleh masyarakat
kalangan menenggah kebawah. Namun, mahalnya harga vitamin dan obat-obatan
membuat ayam mudah terserang penyakit. Biaya pengobatan dan pemberian pakan

antioksida diperkirakan melebihi 300 juta dolar AS pertahun diseluruh wilayah dunia
(Shane, 1998). Penyakit pada ayam adalah salah satu masalah yang paling banyak
ditemui. Proses untuk mengenali dengan cepat dan tepat dari serangan jenis penyakit
sangatlah sulit karena gejala yang ditimbulkan umumnya mirip dan sama. Akan tetapi,
biasanya ada beberapa gejala yang khas untuk setiap jenis penyakit pada ternak ayam
(Rohajawati dan Rina,2013). Salah satu penyakit yang sering ditemui pada ayam
tersebut adalah penyakit yang disebabkan oleh parasit. Pada umumnya, penyakit yang
dapat disebabkan oleh parasit ialah penyakit koksidiosis, ascaridiasis, dan cestodiasis.
Pada ketiga jenis parasite ini mempunyai gejala klinis yang hampir mirip, misalnya
ayam tampak pucat dan lesu, mengalami diare, gangguan pernapasan, bahkan dapat
menyebabkan kelumpuhan dan kematian. Akan tetapi, penyakit tersebut mempunyai
gejala klinis yang cukup mendetail, seperti bentuk feses, tekstur bulu, dan masa diare
Penelitian mengenai sistem pakar diagnosa penyakit pada ayam sebelumnya telah
ditulis oleh Meilany Nonsi Tentua yang berjudul “Sistem Pakar Diagnosa Penyakit
Ayam”. Pada penelitiannya, peneliti menggunakan kaidah produksi (IF_THEN) sebagai
metode representasi pengetahuan dalam pembuatan sistem pakar. Akan tetapi, dalam
penggunaan kaidah produksi sebagai representasi pengetahuan dapat dikhawatirkan data
yang ada dalam basis pengetahuan masih kurang sesuai dengan kondisi sebenarnya
sehingga diperlukan update data untuk sistem pakar tersebut. Penelitian mengenai
sistem pakar diagnosis penyakit pada ayam disampaikan pula oleh Siti Rohajawati dan

Rina Supriyati yang berjudul “Diagnosis Penyakit Ayam dengan Metode Certainty
Factor”. Penelitian tersebut secara umum membahas mengenai sistem pakar penyebab
penyakit ayam melalui virus, bakteri dan juga parasit. Pada sistem yang dikerjakan ini,
user dapat menentukan gejala-gejala yang ditemui pada ayam ternaknya. Input gejala
tersebut merupakan premise bagi penalaran yang akan dilakukan pada knowledge base
dengan production rule yang telah dikontruksikan. Sumber paper lain berjudul “The
Use of Certainty Factor with Multiple Rules for Diagnosing Internal Disease” yang
ditulis oleh Tubagus Al Munandar, Suherman, Sumiati menuliskan cara penggunaan
certainty factor untuk diagnosis penyakit. Paper selanjutnya disampaikan pula oleh
Martindah dan Imas Sri Nurhayati didalam papernya yang berjudul “Masalah Ascariasis
pada Ayam” mengenai informasi masalah penyakit pada ayam.
Dalam penerapan mendiagnosa suatu penyakit, pakar mengklasifikasikan terlebih
dahulu gejala-gejala yang terdapat pada ayam tersebut. Oleh karena itu, metode metode
Certainty Factor (CFs) menunjukkan ukuran kepastian terhadap suatu fakta atau aturan.
CFs mengekspresikan kepercayaan dalam kejadian (atau fakta atau hipotesis)

3
berdasarkan kejadian (atau pada penilaian seorang pakar) dengan menggunakan bobot
penilaian.
Pembuatan sistem pakar pendiagnosa penyakit parasite pada ayam (terutama untuk

mendeteksi penyakit Ascaridiasis, Koksidiosis, dan Sestodiasis) membantu memberikan
pelayanan konsultasi yang diadopsi dari cara kerja seorang pakar dalam mendiagnosis
penyakit dan sebisa mungkin memberikan penjelasan yang detil akan penyakit tesebut
beserta cara penangannya. Sistem ini akan membandingkan gejala yang diderita oleh
ayam dengan sebuah pusat data tentang penyakit parasit pada ayam beserta gejalanya.
Kemudian hasil dari perbandingan tersebut akan diambil yang memiliki tingkat ketepatan
yang paling tinggi. Setelah diketahui diagnosa tentang penyakit pada ayam tersebut,
maka kemudian dapat diketahui pula penanganan yang tepat untuk menyembuhkan
penyakit pada ayam tersebut. Namun demikian, tentunya sistem ini tidak akan serta merta
menggantikan peran kerja seorang pakar secara keseluruhan. Sistem ini hanya dapat
berfungsi dengan optimal untuk kasus-kasus gangguan kesehatan ringan dimana tidak
diperlukan interaksi antara pakar dan ayam secara langsung.
2. Ruang Lingkup Masalah
Penyakit pada ayam yang akan di identifikasi oleh sistem adalah penyakit
Ascariasis, Koksidiosis dan Sestodiasi dengan menggunakan metode Certainty Factors.
Masing- masing penyakit tersebut disebabkan oleh parasite pada ayam yang berbeda.
Akan tetapi, penyakit tersebut mempunyai gejala klinis yang hampir mirip, misalnya
ayam tampak pucat dan lesu, diare, gangguan pernapasan, bahkan dapat menyebabkan
kelumpuhan dan kematian. Akan tetapi, penyakit tersebut mempunyai gejala klinis yang
cukup mendetail, seperti bentuk feses, tekstur bulu, dan masa diare. Sistem juga

menyediakan penanganan dan pencegahan penyakit-penyakit tersebut sesuai dengan hasil
deteksi.
3. Tujuan Penelitian
Sistem pakar ini bertujuan untuk mengidentifikasi penyakit parasite pada ayam
yang bernama Ascariasis, Koksidiosis dan Sestodiasi yang mempunyai gejala klinis yang
hampir mirip dengan tingkat kepastian yang maksimal. Selain itu, sistem ini juga
bertujuan untuk memberikan cara menanggulangi serta mencegah penularan parasite
sesuai dengan jenis parasitnya.

TINJAUAN PUSTAKA
1. Sistem Pakar
Sistem pakar (Durkin, 1994) adalah suatu program komputer yang dirancang
untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang
pakar. Sistm pakar disusun oleh dua bagian utama, yaitu lingkungan pengembang
(development environment) dan lingkungan konsultasi (consultation environment)
(Turban, 2005). Lingkungan pengembangan system pakar digunakan untuk

4
memasukan pengetahuan pakar edalam lingkungan sistem pakar, sedangkan
lingkungan konsultasi digunakan oleh pengguna yang bukan pakar guna memperolah

pengetahuan pakar.
Komponen-komponen yang terdapat dalam sistem pakar adalah User Interface
(antarmuka pengguna), basis pengetahuan, akuisisi pengetahuan, mesin inferensi.
1.1 Antarmuka Pengguna (User Interface)
User Interface merupakan mekanisme yang digunakan oleh pengguna
dan sistem pakar untuk berkomunikasi. Menurut McLeod (1995), pada bagian
ini terjadi dialog antara program dan pemakai, yang memungkinkan sistem
pakar menerima intruksi dan informasi (input) dari pemakai. Juga
memberikan informasi (output) kepada pemakai.
1.2 Basis Pengetahuan
Basis pengetahuan mengandung pengetahuan untuk pemahaman,
formulasi dan penyelesaian masalah. Komponen sistem pakar ini disusun atas
dua elemen dasar, yaitu fakta dan aturan. Fakta merupakan informasi tentang
obyek dalam area permasalahan tertentu, sedang aturan merupakan informasi
tentang cara bagaimana fakta baru dari fakta telah diketahui.
1.3Akuisisi Pengetahuan
Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi
keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke dalam
program computer. Dalam tahap ini knowledge engineer berusaha menyerap
pengetahuan untuk selanjutnya ditransfer kedalam basis pengetahuan.

Pengetahuan diperoleh dari pakar, dilengkapi dengan buku, basis data,
laporan penelitian dan pengalaman pemakai.
1.4 Mesin Inferensi
Mesin inferensi adalah bagian yang mengandung mekanisme fungsi
berfikir dan polapola penalaran sistem yang digunakan oleh seorang pakar.
Mekanisme ini akan menganalisa suatu masalah tertentu dan selanjutnya akan
mencari jawaban atau kesimpulan yang terbaik (Sri Kusumadewi, 2003).
Mesin inferensi memulai pelacakannya dengan mencocokan kaidah-kaidah
dalam basis pengetahuan dengan fakta-fakta yang ada dalam basis data,
secara deduktif mesin inferensi memilih pengetahuan yang relevan dalam
rangka mencapai kesimpulan. Dengan demikian, sistem ini dapat menjawab
pertanyaan pemakai meskipun jawaban tersebut tidak tersimpan secara
eksplisit didalam basis pengetahuan dan fakta-fakta yang ada dalam
basisdata.
2. Penyakit Pada Ayam
2.1 Ascariasis
Ascariasis adalah penyakit cacing yang menyerang ayam dan disebabkan
oleh Ascaridia galli. Cacing ini terdapat di usus dan duodenum hewan ayam.
Pada ternak ayam sering menyerang baik tipe pedaging maupun tipe petelur,
sedangkan pada ayam buras kemungkinan tertular lebih besar karena sistem

5
pemeliharaan yang bebas berkeliaran. Beberapa faktor yang mempengaruhi
infeksi cacing A. galli diantaranya adalah umur, jenis ayam, dosis infeksi, tipe
kandang, nutrisi, sistem pemeliharaan dan cuaca. Untuk melakukan
pencegahan terhadap cacing ini maka harus diketahui faktor yang
mempengaruhi infeksi tersebut
2.2 Koksidiosis
Koksidiosis merupakan penyakit yang menyebabkan kerusakan di saluran
percernaan, terutama di usus. Koksidiosis atau berak darah merupakan
penyakit parasit yang disebabkan oleh salah satu endoparasit, yaitu protozoa
(bersel tunggal) dari genus Eimeria sp. Agen penyakit ini berbeda dengan
agen penyakit lainnya, baik bakteri maupun virus terutama dalam tahapan
perkembangannya dimana Eimeria sp. memiliki beberapa fase perkembangan.
2.3 Sestodiasis
Sestodiasis merupakan penyakit pada ayam yang menyebabkan benjolanbenjolan pada dinding usus dan jelas dapat dilihat dari luar usus. Benjolanbenjolan tersebut dikenal dengan nama protuberance dan atau nodules.
Sestodiasis merupakan penyakit parasit yang disebabkan oleh cacing
pita/pipih seperti Davaina Proglettina, Raillietina Tetragona, dan Raillietina
Cesticellus. Pencegahan yang baik terhadap cacing pipih ini ialah melalui
sanitasi yang baik.

3. Metode Certainty Factors (CFs)
Metode statistik standar didasari pada asumsi bahwa ketidakpastian adalah
probabilitas dari sebuah kejadian/fakta adalah benar atau salah. Dalam teori
kepastian (certainty theory), sama halnya dengan fuzzy logic, ketidakpastian
direpresentasikan dengan derajat kepercayaan. Terdapat 2 langkah dalam
penggunaan setiap metode nonprobabilitas. Pertama, perlunya dapat
mengekspresikan derajat kepercayaan. Kedua, perlunya untuk memanipulasi
(mengkombinasi) derajat dari kepercayaan ketika menggunakan knowledge-based
systems. Certainty theory mendasari penggunaan Certainty Factors (CFs). CFs
mengekspresikan kepercayaan dalam kejadian (atau fakta atau hipotesis) berdasarkan
kejadian (atau pada penilaian seorang pakar). Ada beberapa metode dari penggunaan
CFs untuk menangani ketidakpercayaan dalam knowledge-based systems. Salah satu
cara dengan menggunakan 1.0 atau 100 untuk kepercayaan absolut (keyakinan
penuh) dan 0 untuk kesalahan yang pasti. CFs adalah bukan probabilitas, namun
memperkenalkan konsep kepercayaan dan ketidakpercayaan. Model yang
dikembangkan dalam CFs adalah sebagai berikut (Russel, 2003; Turban, 2005).
CFs[h,e] = MB[h,e] - MD[h,e]
Keterangan:
CFs[h,e] = Faktor kepastian
MB[h,e] = Ukuran kepercayaan atau tingkat keyakinan

6
terhadap hipotesis h, jika diberikan evidence e
(antara 0 dan 1)
MD[h,e] = Ukuran ketidakpercayaan atau tingkat
keyakinan terhadap hipotesis h, jika diberikan evidence e
(antara 0 dan 1)

METODOLOGI
Metode pendekatan yang
pengembangan sistem pakar.

dilakukan

penulis

sesuai

dengan

tahapan

1. Mencari Sumber Pakar
Dalam pembuatan sistem pakar ini, penulis memilih Ir. Niken Ulupi, MS sebagai
pakar.
2. Akuisisi Pengetahuan
Akuisisi pengetahuan bertujuan untuk mendapatkan pengetahuan, fakta aturan,
model dan cara pemecahan masalah dari pakar. Pengumpulan data dalam program ini
dilakukan dengan melakukan wawancara terhadap pakar, dan mempelajari literatur yang

7
diberikan oleh pakar untuk menentukan gejala-gejala yang digunakan untuk mendiagnosa
penyakit. Gejala-gejala tersebut diantaranya : diare, feses mengeluarkan darah, ayam
lemas, penurunan produksi telur, bulu kasar dan tidak teratur, terjadi kelumpuhan pada
ayam, ayam terlihat pucat (terutama pada jengger dan pial), ayam megap-megap, sayap
jatuh tidak rapat dangan tubuh, leher seakan berputar, kematian pada ayam muda, mata
sering tertutup, nafsu makan ayam jelek, ayam kurus, kematian ayam dalam jumlah besar.
Kemudian penulis melakukan diskusi kelompok bersama pakar untuk menentukan bobot
Certainty Factor berdasarkan studi kasus terhadap gejala telah ditentukan.
3. Representasi Pengetahuan
Representasi pengetahuan dimaksudkan untuk menangkap sifat-sifat penting masalah
dan membuat informasi dapat diakses oleh prosedur pemecahan masalah. Representasi
pengetahuan dalam sistem ini berbentuk perhitungan Certainty Factor yang akan
merujuk pada suatu kesimpulan tertentu berdasarkan gejala-gejala yang terjadi.
4. Pembuatan Mesin Inferensi
Mesin inferensi merupakan bagian yang mengandung mekanisme fungsi berpikir dan
pola-pola penalaran sistem yang digunakan oleh seorang pakar. Dari fakta-fakta yang
diperoleh selama proses tanya jawab dengan user serta aturan-aturan yang tersimpan di
knowledge base, inference engine dapat menarik suatu kesimpulan dan memberikan
rekomendasi atau saran yang diharapkan user. Dalam sistem ini digunakan proses
perhitungan Certainty Factor yang mendukung proses diagnosis penyakit karena
penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.

HASIL DAN PEMBAHASAN
Akuisisi Pengetahuan
Pengembangan sistem pakar ini diawali dengan proses akuisisi pengetahuan.
Proses tersebut di mediatori oleh dua orang pakar yaitu Dr. Amrullah Pagala, SPt Msi dan
Dr. Ir. Niken Ulupi, MS. Metode akuisisi yang dipakai adalah wawancara dan studi
literatur. Hasil interview dan studi literatur menghasilkan gejala-gejala klinis pada ketiga
penyakit yang diteliti yaitu, Koksidiosis, Ascaridiasis, dan Sestodiasis yang akan dipakai
dalam teknik inferensi. Teknik inferensi sendiri yang akan digunakan adalah Certainty
Factors. Selanjutnya adalah menentukan kategori penilaian dan bobot untuk setiap
parameter gejala pada CFs dengan selang -1 s/d 1 untuk diberikan kepada pakar.
Penilaia
n
0
1
2

Kategori
Definetly not
Almost certainly not
Probably not

Bobot
-1
-0.8
-0.5

8
3 Maybe not
-0.3
4 Unknown
0
5 Maybe
0.3
6 Probably
0.5
7 Almost certainly
0.8
8 Definetly
1
Gambar 1. Tabel CFs yang ditampilkan kepada pakar
Tahap berikutnya pakar mengisi tabel yang telah dibuat dan menghasilkan
pengetahuan yang bersifat tacit. Hal tersebut dilakukan untuk mengetahui tingkat
kepengaruhan suatu gejala klinis dengan penyakit koksidiosis, ascaridiasis, dan
sestodiasis.
N
o
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Gejala Klinis
Diare
Feses mengeluarkan darah
Ayam lemas
penurunan produksi telur
bulu kasar dan tidak teratur
terjadi kelumpuhan pada ayam
ayam terlihat pucat (terutama pada
jengger dan pial)
ayam megap-megap
sayap jatuh tidak rapat dengan
tubuh
leher seakan berputar
kematian pada ayam muda
mata sering tertutup
nafsu makan ayam jelek
Ayam kurus
kematian ayam dalam jumlah besar

Dr. Niken Ulupi
(Pakar)
Koksidiosi Ascaridiasi Sestodiasi
s
s
s
8
1
7
8
0
4
3
7
8
2
8
7
7
2
5
6
2
7
5

7

6

2

5

6

0

8

2

0
8
5
6
7
8

0
6
0
6
6
4

6
3
2
5
5
4

Gambar 2. Tabel yang diisi oleh Pakar
Berdasarkan penilaian yang diberikan oleh pakar didapatkan bobot dari tiap gejala
disetiap penyakit adalah sebagai berikut:

9

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Gejala Klinis
Diare
Feses mengeluarkan darah
Ayam lemas
penurunan produksi telur
bulu kasar dan tidak teratur
terjadi kelumpuhan pada ayam
ayam terlihat pucat (terutama pada
jengger dan pial)
ayam megap-megap
sayap jatuh tidak rapat dengan tubuh
leher seakan berputar
kematian pada ayam muda
mata sering tertutup
nafsu makan ayam jelek
Ayam kurus
kematian ayam dalam jumlah besar

Koksidiosis Ascaridiasis
1
-0.8
1
-1
-0.3
0.8
-0.5
1
0.8
-0.8
0.5
-0.3

Sestodiasis
0.8
0
1
0.8
0.3
0.8

0.3

0.8

0.5

-0.5
-1
-1
1
0.3
0.5
0.8
1

0.3
1
-1
0.5
-1
0.5
0.5
0

0.5
-0.5
0.5
-0.3
-0.5
0.3
0.3
0

Gambar 3. Tabel Bobot yang Dimiliki oleh Setiap Gejala pada Pilihan Penyakit
Dari hasil pemberian bobot gejala dari tiap penyakit (Gambar 3) diketahui tingkat
kemungkinan terjadinya penyakit dari gejala yang ditimbulkannya. Gejala di penyakit
yang memiliki bobot minus diartikan kemungkinan terinfeksi penyakitnya kecil atau
bahkan tidak berpengaruh dengan penyakitnya. Kemudian untuk gejala dipenyakit yang
mempunyai bobot 0 diartikan tidak dapat diketahui kemungkinan terinfeksinya.
Selanjutnya gejala dipenyakit yang memiliki bobot diatas 0 memiliki kecenderungan
kemungkinan terjadinya penyakit.
Berdasarkan hasil bobot yang dimiliki setiap gejala pada penyakit yang
ditunjukan oleh Gambar 3 dapat dikelompokan penyakit beserta gejalanya sesuai dengan
bobot yang dimiliki oleh gejala dari setiap penyakit. Bobot yang digunakan dalam
klasifikasi gejala penyakit hanya gejala yang mempunyai bobot diatas 0.

10
No

Nama Penyakit Gejala

1

Koksidiosis












2

Ascaridiasis










3

Sestodiasisi







Diare
Feses mengeluarkan darah
kematian pada ayam muda
kematian ayam dalam jumlah besar

Bulu kasar dan tidak teratur
Ayam kurus
Terjadi kelumpuhan pada ayam
nafsu makan ayam jelek
Ayam terlihat pucat (terutama pada jengger
dan pial)
mata sering tertutup

Bobot
1
1
1
1
0.8
0.8
0.5
0.5
0.3
0.3

Penurunan produksi telur
Sayap jatuh tidak rapat dengan tubuh
Ayam lemas
Ayam terlihat pucat (terutama pada jengger
dan pial)
Kematian pada ayam muda
Nafsu makan ayam jelek
Ayam kurus
Ayam megap-megap

1
1
0.8

Ayam lemas
Diare
Penurunan produksi telur
terjadi kelumpuhan pada ayam
ayam terlihat pucat (terutama pada jengger
dan pial)
ayam megap-megap
leher seakan berputar
bulu kasar dan tidak teratur
nafsu makan ayam jelek
Ayam kurus

1
0.8
0.8
0.8
0.5

0.8
0.5
0.5
0.5
0.3

0.5


0.5
0.3

0.3

0.3


Gambar 4. Tabel Hasil Klasifikasi Penyakit Sesuai Bobot
Representasi Pengetahuan
Tahap pengembangan sistem pakar berikutnya ialah merepresentasikan
pengetahuan bedasarkan proses akuisisi yang telah didapatkan dan dibuat. Setelah
mengelompokan gejala penyakit bedarkan bobot yang dimilikinya, proses selanjutnya
menentukan algoritma yang akan digunakan untuk menerima input dari user berupa

11
gejala-gejala yang terlihat pada ayam yang sakit, mengklasifikasikan input gejala tersebut
sesuai dengan tabel klasifikasi penyakit (Gambar 4), menentukan banyaknya gejala input
yang akan diproses dalam perhitungan certainty factor setiap penyakit, dan menentukan
rumus umum perhitungan certainty factor setiap penyakit. Adapun contoh perhitungan
tersebut adalah sebagai berikut:
Misal gejala input yang dipilih yaitu diare, kematian ayam muda, dan ayam megapmegap. Bobot masing-masing gejala setiap penyakit adalah:
Diare
Kematian ayam
muda
Ayam megapmegap

Koksidiosis
1
1

Ascaridiasis
0.5

Sestodiasis
0.8
-

-

0.3

0.5

Perhitungan certainty factor:.
Koksidiosis = CF1+CF2(1-CF1)=1+1(1-1)=1
Ascaridiasis = CF1+CF2(1-CF1)=0.5+0.3(1-0.5)=0.65
Sestodiasis
= CF1+CF2(1-CF1)=0.8+0.5(1-0.8)=0.9
Berdasarkan perhitungan diatas dapat disimpulkan bahwa jika gejala yang terlihat adalah
diare, kematian ayam muda, dan ayam megap-megap maka penyakit yang diderita adalah
koksidiosis.
Implementasi
Perangkat lunak untuk mendiagnosa penyakit pada ayam berbasis web. Fungsifungsi yang terdapat dalam aplikasi ini adalah mendiagnosis penyakit ayam yang
mungkin diderita oleh ayam pengguna melalui pengisisan gejala-gejala yaitu:

12
Gambar 5. Tampilan Awal Aplikasi

Gambar 6. Tampilan Penjelasan Penyakit Ascaridiasi, Koksidiosis, Sestodiasis

Gambar 6. Tampilan Masukan Penyakit

13

Gambar 6. Tampilan Hasiil Penyakit

Gambar 7. Tampilan Video Panduan cara Budidaya Ayam

14

Gambar 7. Tampilan Kontak untuk Saran dan Kritik

15

DAFTAR PUSTAKA
Durkin, J. (1996). Expert systems: A view of the field. IEEE Expert, 11(2), 56-62.
Kusumadewi, S. (2003). Artificial intelligence, Yogyakarta: Graha Ilmu
Tentua, Meilany Nonsi. (2009). Sistem Pakar Diagnosa Penyakit Ayam. Yogyakarta:
Universitas PGRI Yogyakarta.
Rohajawati, Siti. dan Rina Supriyati. (2013). Sistem Pakar: Diagnosis Penyakit Ayam
Dengan Metode Certainty Factor. Bogor: Universitas Pakuan.
Russel, S., and Norvig, P. (2003). Artificial intelligence: A modern approach, 2nd ed.,
New Jersey: Pearson Education.
Turban, E., Aronson, J.E., and Liang, T.P. (2005). Decision support systems and
intelligent systems, 7th ed., New Jersey: Pearson, Prentice Hall