Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 2, Februari 2018, hlm. 451-458
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Sistem Pakar Diagnosis Penyakit Pada Kambing Menggunakan Metode Naive Bayes dan Certainty Factor Wahyu Rizki Ferdiansyah1, Lailil Muflikhah2, Sigit Adinugroho3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] Abstrak Pemeriksaan penyakit pada ternak kambing secara berkala saat ini kurang diperhatikan sehingga membuat kambing mudah terserang penyakit. Hal ini membuat para peternak kesulitan dalam penanganan awal dan tidak tahu apa yang harus dilakukan tanpa adanya seorang pakar. Proses diagnosis penyakit pada kambing pun tidak bisa dilakukan oleh sembarang orang karena antara jenis penyakit dengan gejalanya memiliki ketidakpastian. Berdasarkan permasalahan tersebut, penulis membuat sebuah sistem pakar yang mampu mendiagnosis penyakit pada kambing sebagaimana yang biasa dilakukan oleh seorang pakar. Sistem pakar ini menggunakan metode Naive Bayes dan Certainty Factor, bahasa pemrograman PHP dan database MySQL. Hasil pengujian fungsional sistem pakar menunjukkan kebutuhan fungsional berjalan dengan baik. Selain itu, hasil pengujian akurasi sistem menggunakan metode f-measure didapatkan akurasi sebesar 86,80%. Dengan hasil akurasi tersebut, sistem pakar diagnosis penyakit pada kambing menggunakan metode Naive Bayes dan Certainty Factor ini memiliki performa yang baik. Kata kunci: penyakit kambing, sistem pakar, naive bayes, certainty factor. Abstract Examination on goats disease periodically is getting less now, so it makes the goats get diseases easily. This makes breeders have difficulty in the first treatment and the don’t know what they should do without an expert. The process of diagnosis of diseases on goats can’t be done by just anyone because of the type of disease with symptoms have uncertainty. Based on these problems, the author makes an expert system that is able to diagnosis diseases on goats as usually do an expert. This expert system uses Naive Bayes and Certainty Factor method, PHP programming language and MySQL database. Experimental functional test results show all functional requirements can run well. In addition, the results of system accuracy testing using f-measure method is 86,80%. With the amount of accuracy, expert system diagnosis of goats diseases uses Naive Bayes and Certainty Factor method has a good performance. Keywords: goat disease, expert system, naive bayes, certainty factor. menghasilkan 1-3 ekor anak (Susanto & Sitanggang, 2015). Sebagian dari mereka menjadikan usaha ini sebagai salah satu sumber penghasilan keluarga. Saat ini pemeliharaan kambing bukan hanya di pedesaan, tetapi sudah menyebar ke berbagai tempat. Semakin banyak peternak kambing yang muncul disebabkan oleh permintaan daging dan susu kambing yang terus mengalami peningkatan. Jawa Timur merupakan salah satu provinsi di Indonesia yang memiliki potensi produksi ternak kambing cukup besar. Berdasar Direktorat Jenderal Peternakan dan Kesehatan Hewan pada tahun 2016, menyebutkan bahwa
1. PENDAHULUAN Kambing merupakan salah satu jenis ternak yang akrab dengan sistem usaha tani di pedesaan, hampir setiap rumah tangga memelihara kambing (Mulyono & Sarwono, 2014). Masyarakat Indonesia secara umum sangat familiar dengan ternak kambing mengingat modal usahanya relatif kecil dibandingkan dengan ternak sapi. Proses pemeliharaannya cukup mudah, bisa dilakukan oleh anggota keluarga, termasuk anak-anak. Selain itu, kambing mampu berkembang biak lebih cepat, karena dalam melahirkan bisa Fakultas Ilmu Komputer Universitas Brawijaya
451
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
jumlah populasi kambing di Jawa Timur sekitar 3.267.954 ekor. Pemeliharaan kambing ditingkat petani masih dilakukan secara tradisional, pengobatan hanya menggunakan obat-obat tradisional. Jika penyakit pada ternak tidak ditangani dan diperhatikan secara cepat dan tepat maka akan menimbulkan kerugian ekonomi yang cukup besar bagi peternak khususnya dan masyarakat luas pada umumnya. Penyakit pada ternak dapat dideteksi secara dini dengan mengetahui gejala-gejala yang ada pada ternak itu sendiri. Seorang pakar atau dokter hewan akan mendaftar gejala-gejala yang dialami oleh ternak, dan dari daftar gejala tersebut dapat dilakukan proses diagnosis. Penyakit pada kambing pada umumnya memiliki gejala yang hampir sama antar satu jenis dengan jenis yang lainnya sehingga gejala X belum tentu hanya gejala yang menyebabkan penyakit jenis A, bisa saja gejala X juga menyebabkan penyakit jenis B dan lainnya. Dengan adanya permasalahan tersebut maka penulis membangun sebuah aplikasi “Sistem Pakar Diagnosis Penyakit Pada Kambing Menggunakan Metode Naive Bayes - Certainty Factor”. Sistem pakar merupakan sistem yang penuh dengan unsur ketidakpastian dan kesamaran. 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). Certainty Factor menyatakan kepercayaan dalam sebuah kejadian sesuai dengan bukti dan penilaian seorang pakar. Metode ini menggunakan suatu nilai dalam mengasumsikan derajat keyakinan seorang pakar terhadap suatu data (Ardhitama, 2014). 2. DASAR TEORI Pada bab ini akan dijelaskan teori-teori yang berhubungan dan berfungsi sebagai acuan agar penelitian tidak menyimpang dari tujuan awal yang telah ditetapkan. 2.1 SISTEM PAKAR Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut (Kusrini, 2006). Dengan sistem pakar, orang Fakultas Ilmu Komputer, Universitas Brawijaya
452
awam pun dapat menyelesaikan masalahnya atau sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Seseorang pakar yang dimaksud disini adalah orang yang mempunyai keahlian dalam bidang tertentu yaitu pakar yang mempunyai knowledge atau kemampuan khusus yang tidak dimiliki oleh orang lain. Struktur sistem pakar dibagi oleh 2 bagian yaitu, lingkungan konsultasi dan lingkungan pengembangan. Struktuk sistem pakar dapat dilihat pada Gambar 1.
Gambar 1. Struktur Sistem Pakar
2.2 NAIVE BAYES CLASSIFIER Naive Bayes Classifier merupakan suatu classifier probabilistic simple yang berdasarkan pada teorema Bayes pada umumnya, inferensi Bayes khususnya dengan asumsi independensi yang kuat (Han & Kamber, 2006). Pada prosesnya, Naive Bayes Classifier mengasumsikan bahwa ada atau tidak adanya suatu fitur pada suatu kelas tidak berhubungan dengan ada atau tidak adanya fitur lain di kelas yang sama. Teorema Bayes yaitu sebuah pendekatan untuk sebuah ketidakpastian yang diukur dengan probabilitas. Teorema Bayes dikemukakan oleh Thomas Bayes, seorang ilmuwan yang hidup pada abad 18. Pada saat klasifikasi, pendekatan Bayes akan menghasilkan label kategori yang paling tinggi probabilitasnya. Perhitungan metode Naive Bayes dapat dilakukan dengan menggunakan langkah-langkah berikut ini: 1. Mencari nilai prior probability untuk setiap kelas dengan menghitung rata-rata setiap kelas dengan menggunakan persamaan (1).
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer P( A)
Jumlah _ Kemunculan _ Kejadian _ A Total _ Keseluruhan _ Kasus
(1)
n( Fi , C ) = jumlah term Fi yang ditemukan di seluruh data pelatihan dengan kategori C.
Keterangan: P(A) adalah peluang kejadian A.
n(C )
2. Mencari nilai likelihood untuk setiap kelas dengan menggunakan persamaan (2).
|W |
P( B | A)
P( B A) P( A)
(2)
Keterangan: P(B|A) adalah Peluang kejadian B bilai A terjadi. P(B∩A) adalah Peluang kejadian B dan A terjadi bersama. P(A) adalah Peluang kejadian A (prior probability). 3. Mencari nilai posterior dari setiap kelas yang ada dengan menggunakan persamaan (3). P( A | B)
P( B | A) P( A) P( B | A) P( A) P( B)
(3) Keterangan: P(A|B) adalah Peluang kejadian A bila B terjadi. P(B|A) adalah Peluang B bila A terjadi (likelihood). P(A) adalah Peluang kejadian A (prior probability). P(B) adalah Peluang kejadian B atau marginal probability. Berdasarkan pada persamaan 3, nilai dari peluang kejadian B atau P(B) tidak lagi digunakan dalam perhitungan, sehingga untuk proses perhitungan marginal probability tidak perlu dilakukan. 2.2.1 Laplacian Smoothing Laplacian Smoothing merupakan suatu teknik yang digunakan untuk mengatasi nilai probabilitas kondisional pada metode Naive Bayes Classifier yang dapat bernilai 0. Cara yang digunakan pada teknik Laplacian Smoothing adalah dengan menambahkan angka 1 pada proses perhitungan Likelihood (Dai et al., 2007). Persamaan dibawah ini menunjukkan perhitungan nilai likelihood untuk algoritma Naive Bayes Classifier. P( Fi | C )
1 n( Fi , C ) | W | n(C )
dimana,
Fakultas Ilmu Komputer, Universitas Brawijaya
453
(4)
= jumlah term di seluruh data pelatihan dengan kategori C. = jumlah seluruh term dari seluruh data pelatihan.
2.3 CERTAINTY FACTOR Dalam aplikasi sistem pakar terdapat suatu metode untuk menyelesaikan masalah ketidakpastian data. Salah satu metode yang dapat digunakan adalah faktor kepastian (Certainty factor). Faktor kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN. Certainty Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya nilai kepercayaan (Kusrini, 2008). Ada 2 macam faktor kepastian yang digunakan, yaitu (Kusrini, 2008): 1. Faktor kepastian yang diisikan oleh pakar bersama dengan aturan 2. Faktor kepastian yang diberkan oleh pengguna. Faktor kepastian yang diisikan oleh pakar menggambarkan kepercayaan pakar terhadap hubungan antecedent dan konsekuen pada aturan kaidah produksi. Mengetahui faktor kepastian oleh pengguna tidaklah mudah karena pengguna sulit memperkirakan besarnya nilai kepastian terhadap elemen antecedent sesuai dengan standar yang diberikan oleh pakar. Certainty Factor didefinisikan sebagai berikut (Kusrini, 2008): CF ( H , E ) MB( H , E ) MD( H , E )
(5)
Dimana, CF[H,E] = Faktor kepastian dari hipotesis H yang dipengaruhi oleh gejala (evidence) E. Bersama CF berkisar antara -1 sampai dengan 1. Nilai -1 menunjukkan ketidakpastian 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 increased disbelief) terhadap hipotesis H yang dipengaruhi oleh gejala E.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Bentuk dasar rumus certainty factor sebuah aturan JIKA E MAKA H ditunjukkan oleh persamaan (6). CF ( H , e) CF ( E , e) * CF ( H , E )
(6)
Dimana, 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. CF(H,e) : certainty factor hipotesis yang dipengaruhi oleh evidence e. Jika semua evidence pada saat antecedent diketahui dengan pasti, maka rumus certainty factor yang digunakan ditunjukkan pada persamaan (7). CF ( H , e) CF ( H , E )
(7) Dalam aplikasinya, CF(H,E) merupakan nilai kepastian yang diberikan oleh pakar terhadap suatu aturan, sedangkan CF(E,e) merupakan nilai kepercayaan yang diberikan oleh pengguna terhadap gejala yang dialaminya. CF Gabungan merupakan nilai CF Akhir dari sebuah calon konklusi. CF Gabungan dibutuhkan jika suatu konklusi diperoleh dari beberapa aturan sekaligus (Kusrini, 2008). CF Akhir dari satu aturan dengan aturan yang lain digabungkan untuk mendapatkan nilai CF Akhir bagi calon konklusi tersebut. Adapun rumus untuk melakukan CF Gabungan ditunjukkan pada persamaan (8). CF ( x) CF ( y ) (CF ( x) * CF ( y )), CF ( x) 0 _ dan _ CF ( y ) 0 CF ( x) CF ( y ) CF ( x, y ) , Salah _ satu (CF ( x), CF ( y )) 0 (1 ( Min(| CF ( x) |, | CF ( y ) |))) CF ( x) (CF ( y ) * (1 CF ( x))), CF ( x) 0 _ dan _ CF ( y ) 0
(8)
2.4 JENIS-JENIS PENYAKIT KAMBING Beberapa jenis penyakit pada kambing yang akan diidentifikasi oleh sistem adalah sebagai berikut: 1. Cacingan 2. Endometritis 3. Kelumpuhan 4. Kembung 5. Keracunan 6. Mastitis 7. Myasis 8. Orf 9. Pink Eye 10. Pneumonia 11. Scabies
Fakultas Ilmu Komputer, Universitas Brawijaya
454
3. PERANCANGAN Pada bab ini dijelaskan perancangan dari struktur sistem pakar yang meliputi perancangan basis pengetahuan, mesin inferensi, blackboard, fasilitas penjelas, perbaikan pengetahuan dan antarmuka. 3.1 Basis Pengetahuan Basis pengetahuan berisi pengetahuan tentang data aturan yang diperlukan sistem pakar untuk memformulasikan, memahami dan memecahkan masalah. Basis pengetahuan digunakan untuk merepresentasikan pengetahuan seorang pakar. Basis pengetahuan mencakup dua elemen dasar yaitu fakta dan aturan khusus yang memberikan saran user untuk memecahkan masalah khusus dalam domain tertentu. Penalaran berdasarkan pada basis pengetahuan yang ada memanipulasi dan mengarahkan sesuai kaidah, model dan fakta yang disimpan hingga mencapai suatu kesimpulan. Data gejala klinis penyakit pada kambing dapat dilihat pada Tabel 1. Tabel 1. Gejala Penyakit Kambing No 1
Kode Gejala G1
2 3 4 5
G2 G3 G4 G5
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
G6 G7 G8 G9 G10 G11 G12 G13 G14 G15 G16 G17 G18 G19 G20 G21 G22
23 24 25
G23 G24 G25
Nama Gejala Ambing bengkak berwarna kemerahan Bengkak di sekitar luka Bulu kusam terasa kasar Bulu rontok Bulu rontok pada bagian terinfeksi Demam Depresi Diare Diare berdarah Gatal-gatal Kaku saat berjalan Kejang-kejang Keluar belatung dari kulit luka Keluar ingus Keluar lendir pada vulva Keropeng di mulut Kornea keruh Kulit kasar dan bersisik Kurus Lemah lesu Mata merah Menggosokkan kulit ke dinding kandang Mulut berbusa Nafas berbau busuk Nafsu makan berkurang
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
26
G26
27
G27
28 29 30 31
G28 G29 G30 G31
32
G32
Perubahan warna susu dan terdapat gumpalan pada susu Perut sebelah kiri membesar dan terasa sakit Produksi susu menurun Sesak nafas Tidak dapat berdiri Tumbuh bintil-bintil kecil pada telinga Vulva berbau busuk
Berikut adalah jenis penyakit pada kambing berdasarkan penelitian dan observasi di UPT PT dan HMT Kabupaten Jember dapat dilihat pada Tabel 2. Tabel 2. Jenis Penyakit Kambing No
455
Kode Penyakit
Nama Penyakit
1
P1
Cacingan
2
P2
Endometritis (Radang uterus)
3
P3
Kelumpuhan (Hypocalcemia)
4
P4
Kembung (Bloat)
5
P5
Keracunan
6
P6
Mastitis (Radang ambing)
7
P7
Myasis (Belatungan)
8
P8
Orf
9
P9
Pink Eye (Radang mata)
10
P10
Pneumonia
11
P11
Scabies (Kudis)
Gambar 2. Diagram Blok Inferensi Forward Chaning dengan metode Naive Bayes dan Certainty Factor
Sedangkan alur algoritma dari metode Naive Bayes dan Certainty Factor dapat dilihat pada Gambar 3.
3.2 Mesin Inferensi Pada sistem pakar ini, mesin inferensi yang digunakan adalah mesin inferensi dengan penulusuran jawaban forward chaining. Proses diagnosis penyakit kambing ini dengan melakukan proses perhitungan probabilitas menggunakan metode Naive Bayes untuk mendiagnosis jenis penyakit yang diderita oleh ternak tersebut, kemudian dari hasil diagnosis dilakukan perhitungan derajat keyakinan menggunakan metode Certainty Factor. Diagram blok alur metode inferensi forward chaining dapat dilihat pada Gambar 2.
Gambar 3. Flowchart Metode Naive Bayes dan Certainty Factor
3.3 Blackboard Blackboard adalah area memori yang berfungsi sebagai basis data untuk merekam hasil sementara suatu keputusan dengan menyetarakan hasil perhitungan akhir sebelum
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
sistem memutuskan kesimpulan. Pada sistem pakar diagnosis penyakit kambing ini data yang disimpan dalam blackboard adalah hasil perhitungan sementara dari metode Naive Bayes dan Certainty Factor. Perhitungan sementara itu meliputi data gejala masukan dari pengguna, probabilitas prior, likehood, posterior, nilai CF setiap gejala, hasil perhitungan nilai CF combine dan hasil akhirnya. 3.4 Fasilitas Penjelas Fasilitas penjelas pada sistem ini akan dimasukkan ke dalam hasil diagnosis. Fasilitas penjelas ini berisi tabel-tabel hasil perhitungan pada metode Naive Bayes dan Certainty Factor sehingga dapat diketahui bagaimana kesimpulan dapat diambil. Tabel-tabel hasil perhitungan diperlukan untuk memberikan penjelasan yang kongkrit dari hasil keputusan sistem. Fasilitas penjelas juga dapat digunakan untuk meyakinkan pengguna atas diagnosis yang dihasilkan oleh sistem pakar. 3.5 Perbaikan Pengetahuan Perbaikan pengetahuan pada sistem pakar ini akan melakukan pembaharuan jika terdapat pengetahuan baru yang belum ada di database. Pembaharuan pengetahuan dilakukan dengan memeriksa data latih, jika ada pengetahuan baru di data training maka sistem akan menambahkan pengetahuan di basis pengetahuan. 4. PENGUJIAN DAN ANALISIS Pengujian yang dilakukan dalam sistem pakar diagnosis penyakit pada kambing menggunakan metode Naive Bayes dan Certainty Factor yaitu pengujian validasi dan pengujian akurasi. 4.1 Pengujian Validasi Blackbox merupakan teknik pengujian validasi yang digunakan untuk mengetahui apakah sistem yang dibangun sudah benar sesuai dengan yang dibutuhkan baik untuk kebutuhan fungsional. Hasil pengujian validasi dengan menggunakan blackbox menunjukkan hasil akurat dengan nilai 100% karena semua fungsi pada sistem telah berjalan sesuai dengan apa yang dirancang. 4.2 Pengujian Akurasi Pengujian akurasi dilakukan guna mengetahui performa dari sistem pakar dalam Fakultas Ilmu Komputer, Universitas Brawijaya
456
memberikan hasil diagnosis penyakit pada kambing berdasarkan gejala yang dimasukkan oleh pengguna. Pengujian akurasi dilakukan dengan metode pengujian f-measure. Pembagian kondisi tiap kelas dan nilai f-measure dapat dilihat pada Tabel 3. Tabel 3. Pengujian f-measure Kod e P00 1 P00 2 P00 3 P00 4 P00 5 P00 6 P00 7 P00 8 P00 9 P01 0 P01 1
T P
F P
F N
T N
Precisio n
Recall
fmeasu re
4
0
0
28
1
1
1
1
0
0
31
1
1
1
2
0
0
30
1
1
1
3
1
1
27
0.75
0.75
0.75
2
0
0
30
1
1
1
2
0
0
30
1
1
1
3
0
0
29
1
1
1
3
0
0
29
1
1
1
4
1
0
27
0.8
1
0.8888 9
0
0
2
30
0
0
0
5
1
0
26
0.83333
1
0.85303 0
0.8863 6
Rata-rata
0.9090 9 0.8679 9
Berdasarkan hasil perhitungan f-measure diatas didapatkan nilai akurasi sebesar 0,86799atau 86,80%. Berdasarkan hasil tersebut dapat dikatakan bahwa sistem pakar ini memiliki tingkat akurasi yang cukup baik. 5. KESIMPULAN Kesimpulan yang diperoleh berdasarkan pada penelitian yang telah dilakukan adalah sebagai berikut: 1. Proses diagnosis penyakit pada kambing dilakukan dengan cara memasukkan gejala klinis yang muncul pada kambing. Melalui gejala klinis tersebut akan dilakukan perhitungan menggunakan metode Naive Bayes untuk mendiagnosis penyakit yang diderita oleh kambing tersebut dan metode Certainty Factor untuk menghitung derajat keyakinan penyakit hasil diagnosis. 2. Sistem pakar diagnosis penyakit pada kambing ini memiliki kinerja yang mampu berjalan dengan baik sesuai kebutuhan fungsional. Hal ini berdasarkan pengujian blackbox yang telah membuktikan bahwa
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
seluruh fungsi dapat bekerja sesuai dengan hasil yang diharapkan. 3. Hasil pengujian akurasi terhadap jumlah data menghasilkan nilai akurasi sebesar 86,80%. Berdasarkan hasil tersebut dapat dikatakan bahwa sistem pakar ini memiliki tingkat akurasi yang cukup baik. Saran yang dapat diberikan untuk pengembangan sistem agar menjadi lebih baik antara lain: 1. Data gejala, data penyakit, data latih, dan data aturan sebaiknya ditambahkan lagi agar dapat memperoleh hasil yang lebih akurat serta perbaikan pengetahuan dilakukan secara berkala agar dapat terus mengikuti perkembangan pengetahuan dan mengevaluasi apakah pengetahuanpengetahuan yang sudah ada masih cocok digunakan di masa yang akan datang. 2. Sistem dapat dikembangkan lebih lanjut dengan menggunakan metode-metode yang berbeda agar sistem lebih akurat, efektif, dan efisien. DAFTAR PUSTAKA Ardhitama, I., 2014. Aplikasi Sistem Pakar Untuk Mendiagnosis Dan Penanganan Dini Gangguan Autisme Pada Anak Dengan Metode Certainty Factor Berbasis Web. S1. Universitas Brawijaya. Bahri, S., Adjid, R., Beriajaya, & Wardhana, A. H., 2014. Manajemen Kesehatan Dalam Usaha Ternak Kambing. Lokakarya Nasional Kambing Potong, 79-95. Basuki, S., 2006. Metode Penelitian. Jakarta: Wedatama Widya Sastra dan Fakultas Ilmu Pengetahuan Budaya Universitas Indonesia. Dai, W., Xue,G., Yang, Q., Yu, Y., 2007. Transferring Naive Bayes Classifier for Text Classification. Shanghai: Shanghai Jiao Tong University. Dinas
Pertanian Tanaman Pangan dan Peternakan., 2013. Gangguan Reproduksi Pada Ternak Ruminansia. Tersedia di:
[Diakses 1 Mei 2017]
457 Bayes Classifier. Informatika, 39.
Ferdiansyah, W. R., 2017. Sistem Pakar Diagnosis Penyakit Pada Kambing Menggunakan Metode Naive Bayes dan Certainty Factor. S1. Universitas Brawijaya. Han, J., & Kamber, M., 2006. Data Mining Concepts and Techniques. San Francisco: Morgan Kaufmann Publisher. Hardika, A., 2014. Aplikasi Sistem Pakar Untuk Identifikasi Hama dan Penyakit Tanaman Tebu Dengan Metode Naive Bayes Berbasis Web . S1. Universitas Brawijaya. Hidayati, N., 2013. Sistem Pakar Berbasis Web Untuk Identifikasi Hama Penyakit Pada Budidaya Tanaman Jamur Menggunakan Metode Certainty Factor. S1. Universitas Brawijaya. Kementerian Pertanian RI, 2016. Sub Sektor Peternakan. Tersedia di: < http://www.pertanian.go.id/ap_pages/mo d/datanak> [Diakses 1 Mei 2017] Kusrini., 2006. Sistem Pakar, Teori dan Aplikasi. Yogyakarta: ANDI. Kusrini., 2008. APLIKASI SISTEM PAKAR Menentukan Faktor Kepastian Pengguna dengan Metode Kuantifikasi Pertanyaan. Yogyakarta: ANDI OFFSET. Lestari, P., 2016. Pemodelan Sistem Pakar Diagnosis Penyakit Mata Menggunakan Metode Naive Bayes - Certainty Factor. S1. Universitas Brawijaya. Liu, Bing. 2007. Web data mining. University of Illinois. Springer-Verlag Berlin Heidelberg. ISBN-10 3-540-37881-2. Mulyono, S., & Sarwono, B., 2014. Penggemukan Kambing Potong. Jakarta: Penerbit Swadaya. Orisa, M., Santoso, P. B., & Setyawati, O., 2014. Sistem Pakar Diagnosis Penyakit Kambing Berbasis Web Menggunakan Metode Certainty Factor. EECCIS, 151156.
Fadli, A., 2010. Sistem Pakar Dasar. Jakarta: Komunitas eLearning IlmuKomputer.Com.
Pudjiatmoko, Syibili, M., & Nurtanto, S., 2014. Manual Penyakit Hewan Mamalia. Jakarta: Direktorat Jenderal Peternakan dan Kesehatan Hewan.
Fauziyah., 2012. Sistem Pakar Untuk Diagnosis Penyakit Paru Dengan Metode Naive
Setiawan, S. A., 2015. Sistem Pakar Diagnosis Penyakit Kambing Berbasis Web
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Menggunakan Metode Certainty Factor. Semarang: Universitas Dian Nuswantoro. Shadiq, M. A., 2009. Keoptimalan Naive Bayes dalam Klasifikasi. Bandung: Ilmu Komputer Universitas Pendidikan Indonesia. Suparman., 2014. Beternak Semarang: Azka Press.
Kambing.
Susanto, A., & Sitanggang, M., 2015. Mengatasi Permasalahan Praktis Beternak Kambing. Jakarta: PT. Agro Media Pustaka. Tjahyati, T., 2014. Analisis Perbandingan Metode Certainty Factor dan Naive Bayesian dalam Mendeteksi Kemungkinan Anak Terkena Disleksia. S1. Universitas Brawijaya.
Fakultas Ilmu Komputer, Universitas Brawijaya
458
