Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 12, Desember 2017, hlm. 1797-1803
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Diagnosis Penyakit Kulit Pada Kucing Menggunakan Metode Modified KNearest Neighbor Made Bela Pramesthi Putri1, Edy Santoso2, Marji3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] Abstrak Kucing yang sering dijadikan hewan peliharaan oleh manusia ini tak luput dari banyaknya penyakit yang menyerang. Negara Indonesia merupakan negara yang memiliki kelembapan udara yang tinggi, maka jamur dan parasit dapat dengan mudah menyebar dan berkembangbiak hingga dapat menyebabkan penyakit kulit. Penyakit kulit merupakan penyakit yang umum diderita oleh hewan mamalia ini, jika tidak ditangani dengan cepat dan tepat maka penyakitnya dapat dengan cepat meluas hingga dapat mengganggu aktifitas kucing atau bahkan dapat menyebabkan kematian. Gejala awal dari penyakit kulit terkadang tidak begitu terlihat dan tidak begitu menggangu, oleh karena itu terkadang kucing pun terlihat baik-baik saja sehingga pemilik tidak begitu peduli. Sangat terbatasnya pengetahuan pemilik tentang penyakit kulit yang dialami oleh kucing, serta banyaknya kemiripan gejala-gejala dari berbagai penyakit kulit yang sulit diidentifikasi oleh orang awam menjadi alasan utama penulis untuk melakukan penelitian tentang diagnosis penyakit kulit pada kucing menggunakan metode Modified K-Nearest Neighbor. Metode Modified K-Nearest Neighbor digunakan untuk pengklasifikasian data baru yang kelasnya belum diketahui berdasarkan nilai k terdekat. Dataset yang digunakan dalam penelitian ini terdiri dari 240 data penyakit kulit kucing dengan 14 parameter dan 5 jenis penyakit kulit yang berbeda, keluaran dari sistem ini berupa hasil diagnosis penyakit. Hasil akurasi tertinggi yang didapatkan berdasarkan pengujian yang telah dilakukan sebesar 100% pada nilai k=1 dan akurasi terendah sebesar 89.668%. Dari hasil akurasi tersebut, maka dapat disimpulkan bahwa metode Modified K-Nearest Neighbor dapat diimplementasi ke dalam sistem diagnosis penyakit kulit pada kucing. Kata kunci: modified k-nearest neighbor, klasifikasi, penyakit kulit kucing. Abstract Cats that are often act as pets to humans is not spared from diseases attack. Indonesia is a country with high humidity, fungi and parasites can easily spread and multiply to cause skin diseases. Skin disease is a common disease suffered by these mammals, if not handled quickly and accurately then the disease can quickly escalate to interfere cat’s activity or can even cause death. Early symptoms of skin diseases are sometimes not so visible and not so disturbing, therefore sometimes the cat evem looks fine so the owner is not so concerned. Very limited knowledge of the owner about skin diseases experienced by cats, as well as the many similarities of the symptoms of various skin diseases that are difficult to be identified by the common people became the main reason for the author to conduct research on the diagnosis of skin diseases in cats using the Modified K-Nearest Neighbor method. The Modified KNearest Neighbor Method is used for the classification of new data which class is not known based on the nearest k value. The dataset used in this study consisted of 240 cat skin disease data with 14 parameters and 5 different kind of skin diseases, the output of this system in the form of disease diagnosis. The highest accuracy that was obtained based on various testings is 100% at the value of k = 1 and the lowest accuracy is 89.668%. From the results of the accuracy, it can be concluded that the Modified K-Nearest Neighbor method can be implemented into the skin disease diagnosis system in cats. Keywords: modified k-nearest neighbor, classification, cat skin diseases. manusia, tumbuhan ataupun hewan. Pada kucing misalnya, kucing yang sering dijadikan hewan peliharaan oleh manusia ini juga tak luput dari
1. PENDAHULUAN Kesehatan merupakan hal yang sangat penting dalam kehidupan setiap makhluk hidup entah itu Fakultas Ilmu Komputer Universitas Brawijaya
1797
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
banyaknya penyakit yang menyerang. Karena Indonesia merupakan negara yang memiliki kelembapan udara yang tinggi, maka jamur dan parasit dapat dengan mudah menyebar dan berkembangbiak hingga dapat menyebabkan penyakit kulit (Hakim, 2015). Penyakit kulit merupakan penyakit yang umum diderita oleh hewan mamalia ini, jika tidak ditangani dengan cepat dan tepat maka penyakitnya dapat dengan cepat meluas hingga dapat mengganggu aktifitas kucing atau bahkan dapat menyebabkan kematian. Gejala awal dari penyakit kulit terkadang tidak begitu terlihat dan tidak begitu menggangu, oleh karena itu terkadang kucing pun terlihat baik-baik saja sehingga pemilik tidak begitu peduli. Apabila penyakit kulit tersebut sudah menyerang lebih dari 40% bagian tubuhnya, maka dapat dipastikan bahwa kucing telah mengalami infeksi sekunder. Sangat terbatasnya pengetahuan pemilik tentang penyakit kulit yang dialami oleh kucing, serta banyaknya kemiripan gejala-gejala dari berbagai penyakit kulit yang sulit diidentifikasi oleh orang awam menjadi alasan utama permasalahan ini diangkat untuk menjadi tugas akhir. Ada beberapa penelitian yang telah dilakukan dengan membangun suatu sistem untuk mendiagnosis penyakit serupa agar memudahkan orang awam mengidentifikasi penyakit tersebut. Pada penelitian sebelumnya yang dilakukan oleh Simanjuntak (2014), ia memanfaatkan algoritme Modified K-Nearest Neighbor dengan nilai K yang telah ditentukan oleh sistem menggunakan metode Brute Force untuk mencari nilai K yang terbaik. Perhitungan dilakukan pada data Penyakit Tanaman Kedelai yang terdiri dari 266 data latih yang menghasilkan tingkat akurasi tertinggi sebesar 100% dengan nilai k=1 dan rata-rata akurasi dari 5 percobaan ialah sebesar 98,83%. Penelitian lain sebelumnya yang dilakukan oleh Septianto (2015) menggunakan metode MK-NN untuk mengklasifikasikan data penyakit tanaman kopi arabika berdasarkan nilai bobot tertinggi dari kelas-kelas dalam data latih yang telah tervalidasi dengan jarak terdekat dengan nilai k yang telah ditentukan. Hasil pengujian dengan 100 dataset yang berisi 13 gejala dan 5 jenis penyakit utama tanaman kopi arabika menggunakan metode Modified K-Nearest Neighbor menunjukkan bahwa tingkat akurasi tertinggi sebesar 97% dengan nilai k=1. Dari penelitian yang telah diuraikan di atas maka penulis melakukan penelitian yang Fakultas Ilmu Komputer, Universitas Brawijaya
1798
berjudul “Diagnosis Penyakit Kulit pada Kucing Menggunakan Metode Modified K-Nearest Neighbour”. Metode Modified K-Nearest Neighbor digunakan untuk pengklasifikasian data baru yang kelasnya belum diketahui berdasarkan nilai k terdekat. Metode tersebut terbukti menghasilkan akurasi yang cukup baik dalam penelitian sebelumnya. 2. DASAR TEORI 2.1 Penyakit Kulit Kucing Penyakit kulit merupakan penyakit yang umum diderita oleh kucing, jika tidak ditangani dengan cepat dan tepat maka penyakitnya dapat dengan cepat meluas hingga dapat mengganggu aktifitas kucing atau bahkan dapat menyebabkan kematian. Scabies adalah salah satu dari sekian banyaknya penyakit pada kucing yang dapat menyebabkan kematian. Penyakit ini memiliki gejala timbulnya rasa gatal yang berlebih hingga dapat mengurangi nafsu makan kucing. Apabila kucing yang terinfeksi scabies tidak mendapatkan penanganan lebih awal maka kucing tersebut akan mengalami penurunan daya tahan tubuh yang drastis kemudian mati (Palguna, 2014). Penyakit kulit pada kucing yang berbahaya dan menggangu bukan hanya scabies, penyakit kulit yang penulis gunakan dalam penelitian ini ada 5 jenis, diantaranya adalah: 1. Scabies, 2. Cat Flea, 3. Abses, 4. Dermatitis, 5. Jamur. 2.2 Klasifikasi Klasifikasi merupakan sebuah teknik yang ada dalam data mining yang dapat digunakan untuk memberikan informasi pada data baru yang belum diketahui kelasnya dengan memanipulasi data yang tersedia yang telah diklasifikasikan, kemudian hasilnya akan digunakan untuk memberikan informasi berupa sejumlah aturan yang di mana aturan tersebut nantinya digunakan untuk pengklasifikasian oleh data baru terhadap suatu kelas tertentu (Simanjuntak, 2014). Dalam kata lain, klasifikasi bertujuan agar record-record yang sebelumnya tidak diketahui kategorinya dapat dikelompokkan sesuai kelasnya dengan akurat (Septianto, 2015). 2.3 Normalisasi Data
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Data input yang akan digunakan pada penelitian ini adalah data gejala penyakit kulit pada kucing, nantinya data-data ini harus dinormalisasi terlebih dahulu. Menurut Elvianti (2015), normalisasi data yang dilakukan dalam penelitian ini digunakan untuk mempersempit range data latih, di mana normalisasi yang digunakan di sini adalah normalisasi min-max. Normalisasi min-max merupakan transformasi nilai dari data yang telah dikumpulkan dalam range value 0.0 sebagai nilai terkecil (min) dan 1.0 sebagai nilai tertinggi (max). Berikut adalah persamaan dari Min-Max Normalization. V'
V min A xnewmax A newmin A newmin A (1) max A min A
Keterangan: V’ : Nilai dari data baru hasil dari normalisasi min-max V : Nilai dari data sebelum dinormalisasi newmaxA : Batas nilai maksimum terbaru newmina : Batas nilai minimum terbaru maxA : Nilai maksimum pada data yang sama minA : Nilai maksimum pada data yang sama 2.4 Algoritme K-Nearest Neighbor Algoritme K-Nearest Neighbor sering digunakan untuk memecahkan masalah klasifikasi data, tujuan dari algoritme KNN adalah untuk mengklasifikasikan objek berdasarkan tetangga terdekatnya. Prosesnya ialah dengan memberikan dataset dari data latih yang kelasnya telah diketahui, kemudian dataset dari data uji diklasifikasi berdasarkan jarak terdekat pada tiap data latih yang bergantung pada nilai k yang telah ditentukan sebelumnya (Putri, 2016). Untuk menghitung jarak antara titik data latih (x) dengan titik data uji ialah dengan menggunakan rumus Euclidean seperti pada Persamaan (2). 𝑑 (𝑥, 𝑦) =
√∑𝑛𝑖=1(𝑥𝑖
−
𝑦𝑖 )2
(2)
Keterangan: d(x,y) : Jarak Euclidean antara titik data latih x dengan data uji y xi : Sampel data latih yi : Data uji 2.5 Algoritme Modified K-Nearest Neighbor Modified K-Nearest Neighbor atau MK-NN merupakan metode hasil modifikasi dari metode K-Nearest Neighbor (K-NN), yang mana pada metode MK-NN terdapat dua proses, yaitu proses validasi data training atau data latih dan Fakultas Ilmu Komputer, Universitas Brawijaya
1799
proses pembobotan KNN (Septianto, 2015). Tujuan utamanya adalah untuk memasukkan label kelas dari data yang telah tervalidasi dengan nilai k berdasarkan data poin pada data latih yang telah ditetapkan melalui perhitungan K-Nearest Neighbor (K-NN). Kemudian dilakukan proses perhitungan pembobotan atau weight voting pada semua data uji (Zainuddin, 2014). Metode M-KNN melakukan klasifikasi pada data uji berdasarkan bobot tertinggi kelas-kelas pada k data latih yang telah divalidasi dengan jarak yang terdekat, berbeda dengan metode KNN yang tidak melalui proses validasi data latih. Adanya proses validasi data latih ini menghasilkan tingkat keakurasian yang lebih tinggi daripada metode K-NN. Metode ini dapat memaksimalkan data latih dengan validitas tinggi dan memiliki jarak yang dekat dengan data uji, sehingga penempatan label kelas pada data uji tidak begitu memberikan pengaruh pada data yang penyeberannya tidak merata (Septianto, 2015). 2.5.1 Validitas Data Dalam metode MK-NN, semua data pada data training harus melalui proses validasi terlebih dahulu, proses validasi dari setiap data sangat bergantung pada tetangga terdekatnya. Validitas data training digunakan untuk menghitung jumlah titik dengan label yang sama untuk semua data pada data latih (Rasepta, 2016). Persamaan yang digunakan untuk menghitung validitas data training adalah seperti pada Persamaan (3) (Septianto, 2015). Validitas( x)
1 k S label( x), label( Ni ( x)) k i 1
(3)
Keterangan: k : Jumlah titik terdekat lbl(x) : Label kelas x Ni(x) : Label kelas titik terdekat x Fungsi S yang ada dalam Persamaan 3 dipakai untuk mencari kesamaan antara titik x dengan data ke-i dari tetangga terdekat. Persamaan yang digunakan untuk mendefinisikan fungsi ini dijelaskan dalam Persamaan (4) sebagai berikut (Simanjuntak, 2014). 𝑺(𝒂, 𝒃) = {
1, 𝑗𝑖𝑘𝑎 𝑎 = 𝑏 0, 𝑗𝑖𝑘𝑎 𝑎 ≠ 𝑏
(4)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Keterangan: a : kelas a pada data training b : kelas yang bukan kelas a pada data training
1800
didapatkan melalui observasi, yang mana data tersebut akan digunakan dalam proses perhitungan dengan menggunakan metode Modified K-Nearest Neighbor. 3.2
2.5.2 Weight Voting Weight voting merupakan tahapan yang ada pada metode MKNN sebagai bentuk variasi dari metode KNN yang menggunakan k tetangga terdekat. Dalam metode MK-NN, masingmasing data dihitung bobotnya atau weight dengan menggunakan 1 / (de + 0.5) yang mana de merupakan jarak Euclidean. Kemudian validitas dari setiap data latih yang telah dihitung sebelumnya dikalikan dengan weight berdasarkan jarak Euclidean. Teknik ini akan sangat berpengaruh pada data yang memiliki nilai validitas lebih tinggi dan lebih dekat dengan data. Sehingga didapatkan persamaan weight voting tiap tetangga seperti pada Persamaan (5) sebagai berikut (Zainuddin, 2014). 𝑊 (𝑖 ) = 𝑉𝑎𝑙𝑖𝑑𝑖𝑡𝑎𝑠(𝑖 ) ×
1 𝑑𝑒 + a
(5)
Perancangan Sistem Sistem yang akan dibangun di sini merupakan sistem diagnosis penyakit kulit pada kucing dengan menggunakan metode Modified K-Nearest Neighbor. Sistem akan menerima masukan dari pengguna berupa data gejala penyakit kulit kucing, yang nantinya data masukan tersebut akan diolah oleh sistem sehingga menghasilkan keluaran berupa hasil diagnosis penyakit kulit kucing. Diagram alir sistem ditunjukkan pada Gambar 1. Mulai
data gejala penyakit kulit kucing
Normalisasi data
Keterangan: W(i) Validasi (i) de a
: Perhitungan weight voting : Nilai Validasi : Jarak Euclidean : 0.5
3. METODOLOGI Secara umum sistem yang akan dibangun ini digunakan untuk melakukan diagnosis penyakit kulit pada kucing dengan menggunakan metode Modified K-Nearest Neighbor, yang mana data yang akan diolah oleh sistem terdiri dari 5 jenis penyakit kulit pada kucing yaitu scabies, dermatitis, abses, pinjal (cat flea) dan jamur. 3.1 Pengumpulan Data Dataset yang digunakan dalam penelitian ini adalah dataset penyakit kulit pada kucing yang diperoleh dari klinik hewan Purple Petshop yang berada di Kota Malang. Data yang diperoleh dikategorikan menjadi 5 jenis penyakit kulit pada kucing, yaitu dermatitis, cat flea, scabies, abses dan jamur. Masing-masing penyakit memiliki gejala serta nilai bobot yang didapatkan dari hasil wawancara dengan pakar. Untuk data kasus penyakit kulit pada kucing Fakultas Ilmu Komputer, Universitas Brawijaya
Klasifikasi MKNN
Hasil diagnosa jenis penyakit kulit
Selesai Gambar 1. Diagram Alir Sistem
Proses perhitungan pada MKNN meliputi perhitungan jarak Euclidean antar data latih, perhitungan nilai validitas data latih dan perhitungan weight voting, dengan hasil keluaran yang nantinya berupa diagnosis penyakit kulit kucing. Diagram alir proses MKNN ditunjukkan pada Gambar 2.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1801
maka semakin banyak pula tetangga terdekat yang digunakan sebagai pertimbangan dalam proses klasifikasi sehingga sangat mungkin untuk terjadi noise dalam proses klasifikasi MKNN. Sebaliknya, semakin kecil nilai k maka semakin sedikit pula tetangga terdekat yang digunakan dalam proses klasifikasi sehingga nilai akurasi yang dihasilkan juga lebih baik. Hal ini dibuktikan dengan hasil akurasi tertinggi yang terletak pada nilai k=1 pada data uji 25% dan data uji 75% yaitu 100%. Alasan mengapa nilai k dapat berpengaruh terhadap hasil akurasi dikarenakan di dalam metode MKNN terdapat proses perhitungan jarak Euclidean untuk mencari jarak terdekat antar data, semakin kecil nilainya maka semakin dekat pula jarak antar datanya sehingga data yang diambil hanyalah data yang terbaik saja. Gambar 3 menunjukkan grafik hasil pengujian pengaruh nilai k dengan data uji 25%, 50% dan 75%.
Gambar 2. Diagram Alir Proses MKNN
4. PENGUJIAN DAN ANALISIS 4.1 Pengujian Pengaruh Nilai K Tabel 1. Hasil Pengujian Pengaruh Nilai K Nilai K
1 2 3 4 5 6 7 8 9 10
Akurasi (%) Data Uji 25% 100 97.67 97.33 95.67 93.33 92.33 91 88.67 87.67 86.67
Data Uji 50% 98.67 98 96.83 96.83 95.5 94.83 94 94 93.33 92.5
Data Uji 75% 100 99.56 97.89 96.89 96.33 95.44 95.11 94.78 94.56 94.33
Berdasarkan nilai rata-rata akurasi pada Tabel 1 dapat dilihat bahwa nilai k yang digunakan memiliki pengaruh yang besar terhadap hasil akurasi. Penurunan akurasi terjadi seiring dengan bertambahnya nilai k, hal ini dikarenakan semakin besar nilai k Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 3. Grafik hasil pengujian pengaruh nilai k
4.2 Pengujian Pengaruh Sebaran Data Tabel 2. Hasil pengujian pengaruh sebaran data Jenis Data
Seimbang
Tidak Seimbang
Data Latih 20 30 40 20 30 40
Data Uji 120
120
Akurasi (%) 97.334 99.834 99.834 83 99.334 98.834
Dari Tabel 2 dapat dilihat bahwa data latih seimbang memiliki akurasi yang cenderung lebih tinggi dan stabil dibandingkan dengan data latih tidak seimbang. Pada kasus ini, akurasi yang dihasilkan pada data latih dengan sebaran
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
data yang seimbang meningkat seiring dengan bertambahnya jumlah data latih, sedangkan akurasi yang dihasilkan pada data latih dengan sebaran data yang tidak seimbang cenderung tidak stabil karena adanya peningkatan dan penurunan yang dapat dilihat pada Gambar 4. Pada data latih seimbang, hasil akurasi tertinggi terletak pada jumlah data latih 30 dan 40 yaitu 98.83% sedangkan hasil akurasi terendah terletak pada jumlah data latih 20 yaitu 97.33%. Pada data latih tidak seimbang, hasil akurasi meningkat dari 83% ke 99.33% pada data latih 20 dan 30 kemudian terjadi penurunan menjadi 98.83% pada data latih 40. Hal ini disebabkan oleh adanya kelas-kelas tertentu yang mendominasi pada data latih tidak seimbang, sehingga pada proses klasifikasi MKNN data cenderung diklasifikasikan pada kelas yang lebih mendominasi tersebut. Kemungkinan untuk terjadinya noise dalam kondisi seperti ini sangat tinggi, dan hasil yang didapatkan pun menjadi tidak akurat. Gambar 4 menunjukkan grafik hasil pengujian pengaruh sebaran data terhadap akurasi.
1802
40 yaitu 99%. Jika dilihat dari perbedaan hasil akurasi tersebut, dapat disimpulkan bahwa semakin banyak data latih yang digunakan, semakin tinggi pula akurasi yang dihasilkan. Hal ini dikarenakan banyaknya data latih berarti banyak pula data yang masuk untuk menjadi pertimbangan dalam proses klasifikasi, sehingga proses learning sistem menggunakan metode Modified K-Nearest Neighbor menjadi semakin baik. Selain itu juga sebaran data yang seimbang dapat menjadi salah satu faktor tingginya akurasi yang dihasilkan. Gambar 5 menunjukkan hasil pengujian pengaruh jumlah data latih terhadap akurasi.
Gambar 5. Grafik hasil pengujian pengaruh jumlah data latih
5. KESIMPULAN
Berdasarkan hasil dari pengujian yang telah dilakukan pada penelitian ini, maka dapat diambil kesimpulan bahwa:
Gambar 4. Grafik hasil pengujian pengaruh sebaran data
4.3 Pengujian Pengaruh Jumlah Data Latih Tabel 3. Hasil pengujian pengaruh jumlah data latih Data Latih
Data Uji
Akurasi(%)
20 30 40
120
89.668 98.402 99.002
Berdasarkan hasil uji coba yang ditunjukkan pada Tabel 3, maka dapat dilihat bahwa jumlah data latih yang berbeda dapat mempengaruhi hasil akurasi. Dari hasil pengujian, terlihat bahwa akurasi terkecil berada pada data latih yang berjumlah 20 yaitu 89.67% dan akurasi terbesar berada pada data latih yang berjumlah Fakultas Ilmu Komputer, Universitas Brawijaya
1. Metode Modified K-Nearest Neighbor dapat diimplementasikan untuk melakukan klasifikasi penyakit kulit kucing dengan 14 parameter dan 5 jenis penyakit yang berbeda yaitu Scabies, Cat Flea, Abses, Dermatitis dan Jamur. 2. Hasil akurasi yang didapatkan dari tiga jenis pengujian yang telah dilakukan adalah sebagai berikut. a. Berdasarkan hasil pengujian pengaruh nilai k didapatkan akurasi tertinggi yaitu 100% berada pada data uji 25% dan 75% dengan nilai k=1. Sedangkan akurasi terendah yaitu 86.67% berada pada data uji 25% dengan nilai k=10. Hal ini menunjukkan bahwa semakin bertambahnya nilai k maka akurasi yang didapatkan menjadi semakin rendah karena banyaknya tetangga yang digunakan dalam proses klasifikasi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
dapat menyebabkan noise sehingga hasil yang didapatkan menjadi tidak akurat. b. Berdasarkan hasil pengujian pengaruh sebaran data, akurasi tertinggi pada data latih seimbang berada pada data latih 30 dan 40 yaitu 99.83% dengan akurasi terendah 97.33% pada data latih 20, di sini terlihat bahwa akurasi mengalami peningkatan dan cenderung stabil. Sedangkan pada data latih tidak seimbang, hasil akurasi yang didapatkan cenderung tidak stabil karena adanya peningkatan pada data latih 20 dengan akurasi 83% ke data latih 30 dengan akurasi 99.33%, kemudian terjadi penurunan hasil akurasi menjadi 98.83% pada data latih 40. Hal ini dikarenakan di dalam data latih tidak seimbang terdapat kelas-kelas tertentu yang mendominasi pada proses klasifikasi sehingga hasil yang didapatkan menjadi tidak akurat. c. Berdasarkan hasil pengujian pengaruh jumlah data latih yang berbeda, hasil akurasi tertinggi berada pada data latih 40 yaitu 99% dan akurasi terendah berada pada data latih 20 yaitu 89.67%. Jika dilihat secara keseluruhan, hasil akurasi meningkat seiring dengan bertambahnya jumlah data latih, yang mana semakin banyak data latih yang digunakan maka data yang dibandingkan dalam proses klasifikasi juga menjadi semakin banyak. Hal tersebut dapat berpengaruh pada nilai akurasi yang dihasilkan. Saran yang diberikan oleh penulis untuk pengembangan selanjutnya, karena sistem ini hanya dapat mengklasifikasikan 5 jenis penyakit kulit kucing saja, oleh karena itu untuk penelitian yang selanjutnya diharapkan adanya penambahan parameter berupa jenis penyakit kulit kucing agar variasi data yang digunakan pada proses klasifikasi menjadi lebih beragam dan dapat memberikan hasil yang lebih optimal. Kemudian untuk penelitian yang selanjutnya, diharapkan adanya kombinasi metode MKNN dengan metode lain agar akurasi yang dihasilkan menjadi lebih optimal. 6. DAFTAR PUSTAKA
Hakim,
A.M.,
2015.
Sistem
Pakar
Fakultas Ilmu Komputer, Universitas Brawijaya
1803
Identifikasi Penyakit Kulit Anjing Menggunakan Metode Certainty Factor. STMIK STIKOM Surabaya. Palguna, D., 2014. Sistem Pakar Diagnosis Penyakit Kulit Pada Kucing Menggunakan Metode Certainty Factor. JSIKA. pp. 75 Putri, A.K., 2016. Implementasi Algoritma Modified K-Nearest Neighbor (MKNN) untuk Klasifikasi Diagnosa Penyakit pada Kucing. Universitas Brawijaya Malang. Rasepta, K.M., 2016. Klasifikasi Status Gizi Balita Menggunakan Metode Modified K-Nearest Neighbor. Universitas Islam Negeri Sultan Syarif Kasim Riau. Septianto, R.H., 2015. Diagnosa Penyakit Tanaman Kopi Arabika Dengan Metode Modified K-Nearest Neighbor (MK-NN). Universitas Brawijaya Malang. Simanjuntak, T.H., Mahmudy, W.F., & Sutrisno, 2014. Implementasi Modified K-Nearest Neighbor dengan Otomatisasi Nilai K Pada Pengklasifikasian Penyakit Tanaman Kedelai. Universitas Brawijaya Malang. Zainuddin, S., 2014. Penerapan Algoritma Modified K-Nearest Neighbor (MKNN) Pada Pengklasifikasian Penyakit Tanaman Kedelai. Universitas Brawijaya Malang