See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/305247049

SISTEM PAKAR DIAGNOSA PENYAKIT SAPI POTONG DENGAN METODE NAIVE

BAYES

Article · December 2015

DOI: 10.21776/ub.jeest.2015.002.02.2

CITATIONS READS

0 3,461

3 authors, including:

Muhammad Tanzil Furqon

Brawijaya University
15 PUBLICATIONS   3 CITATIONS   

SEE PROFILE

All content following this page was uploaded by Muhammad Tanzil Furqon on 13 July 2016.

The user has requested enhancement of the downloaded file.

Journal of Environmental Engineering & Sustainable Technology JEEST
Vol. 02 No. 02, November 2015, Pages 72-78 http://jeest.ub.ac.id

SISTEM PAKAR DIAGNOSA PENYAKIT SAPI POTONG DENGAN METODE

NAIVE BAYES
Indriana Candra Dewi1, Arief Andy Soebroto2, M. Tanzil Furqon3
1,2,3
Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya
Email: 1indrianacandradewi@gmail.com, 2ariefas@ub.ac.id, 3m.tanzil.furqon@ub.ac.id

ABSTRACT dipecahkan oleh pakar dalam bidang tersebut

(Kusrini, 2007). Sistem pakar dapat
In order to produce quality beef, one of the
memungkinkan untuk memperluas jangkauan
important factors in maintenance of cattle is to
kerja pakar sehingga pengetahuan pakar dapat
maintain the health of livestock to stay fit. One
diperoleh dan dipakai dimana saja.
way to provide an understanding of the breeders
is to use expert system. An expert system is one Beberapa penelitian sistem pakar telah
of the artificial intelligence which is adopting of dilakukan untuk membantu penyelesaian
the expert knowledge that used to solve problem diagnosa penyakit bagi manusia, hewan dan
that usually can only be solved by expert in the tumbuhan. Pada penelitian yang berjudul “An
field. Expert systems can be allowed to extend Efficient Expert System For Diabetes By Naïve
the working range of experts so that expert Bayesian Classifier” sistem pakar digunakan
knowledge can be acquired and used anywhere. untuk mengklasifikasikan penderita diabetes
In this expert system use a Naive Bayes method (Ambica, 2013). Penderita diabetes
as inference methods for diagnosing the disease. diklasifikasikan dalam tiga kelas yaitu tidak
Types of diseases that can be recognized by menderita diabetes, menderita diabetes dan pre
expert system are 11 types of disease while diabetes. Penelitian yang berjudul “The Use of
symptoms that can be recognized the expert Certainty Factor with Multiple Rules for
system are 20 types of symptom. The results of Diagnosing Internal Disease” sistem pakar
testing the accuracy of the 26 test case data, digunakan untuk mendiagnosa penyakit dalam
have generated the level of conformity pada manusia dengan metode certainty factor
percentage of 96,15%. (Munandar, 2012). Sistem ini menghasilkan
output berupa diagnosa penyakit dalam yang
Keywords: Livestok, Diagnosing, Naive Bayes, Cow diderita pasien.
Disease, Expert System.
Penelitian yang berjudul “Aplikasi Sistem
Pakar untuk Pendeteksi dan Penanganan Dini
1. LATAR BELAKANG pada Penyakit Sapi dengan Metode Dempster-
Shafer Berbasis Web” sistem pakar digunakan
Seiring pertambahan jumlah penduduk dan untuk mendiagnosa penyakit pada sapi dengan
peningkatan daya beli masyarakat dapat menggunakan metode dempster-shafer
dipastikan penjualan daging sapi dalam negeri (Mustikadewi, 2013). Output dari sistem pakar
akan semakin meningkat. Salah satu faktor yang ini adalah diagnosa penyakit sapi dan solusi
perlu diperhatikan dalam pemeliharaan ternak penanganan terhadap penyakit tersebut.
sapi adalah kesehatan ternak itu sendiri. Untuk Penelitian yang berjudul “Aplikasi Sistem
menjaga kesehatan ternak agar selalu prima Pakar untuk Identifikasi Hama dan Penyakit
sebaiknya peternak memahami penyakit yang Tanaman Tebu dengan Metode Naive Bayes
sering menyerang sapi dan cara pengobatannya Berbasis Web” sistem pakar digunakan untuk
yang biasanya hanya diketahui oleh dokter menentukan hama atau penyakit yang
hewan (Rahmat, 2012). Salah satu cara untuk menyerang tanaman tebu (Hardika, 2014).
memasyarkatkan pengetahuan pakar atau
Pada penelitian-penelitian sebelumnya
dokter hewan adalah dengan menggunakan
yang menjadi kajian pustaka penulis telah
sistem pakar. Sistem pakar adalah salah satu
membahas metode Dempster-Shafer, Certainty
kecerdasan buatan yang mengadopsi
Factor dan Naive Bayes yang digunakan dalam
pengetahuan, fakta dan teknik penalaran pakar
pembuatan aplikasi sistem pakar. Metode
yang digunakan untuk memecahkan
certainty factor diciptakan untuk mengakomo-
permasalahan yang biasanya hanya dapat

72 P-ISSN:2356-3109 E-ISSN 2356-3117

 Dewi, Soebroto, & Furqon, Sistem Pakar Diagnosa Penyakit Sapi Potong …

dir ungkapan yang biasanya diungkapkan oleh Pos Keswan Kab. Nganjuk. Observasi dan
dokter seperti “mungkin”, “kemungkinan wawancara ini bertujuan untuk menggali
besar” atau “hampir pasti” (Sutojo, 2011). informasi dan memperoleh data observasi
Certainty Factor bekerja dengan cara tentang penyakit sapi potong yang menyerang
menggunakan nilai parameter klinis yang ternak sapi di Kab. Nganjuk. Data observasi
menunjukkan besarnya nilai kepercayaan nantinya akan digunakan sebagai data training
(Kusrini, 2008). Metode dempster-shafer metode Naive Bayes. Hasil wawancara dengan
dikenal adanya frame of discernment yang pakar akan digunakan sebagai basis pengetahu-
dinotasikan dengan θ. Frame ini merupakan an sistem pakar diagnosa penyakit pada sapi
semesta pembicaraan dari sekum-pulan potong.
hipotesa untuk mengaitkan kepercayaan
2.3. Analisa Kebutuhan
elemen-elemen θ karena tidak semua evidence
secara langsung mendukung tiap elemen. Analisa kebutuhan dilakukan dengan
Metode Naive Bayes bekerja secara fitur menentukan kebutuhan apa saja yang dibutuh-
independen yang artinya sebuah fitur dalam kan untuk mendukung kerja sistem pakar
sebuah data tidak berkaitan dengan ada atau diagnosa penyakit pada sapi potong.
tidaknya fitur yang lain dalam data yang sama
2.4. Perancangan
(Prasetyo, 2012).
Pada penelitian ini akan dibangun sebuah Perancangan sistem berisi rancangan
aplikasi sistem pakar berbasis web untuk langkah kerja dari sistem secara menyeluruh,
diagnosa penyakit pada sapi potong dengan baik dari segi model maupun dari segi arsitektur
metode naive bayes. Metode ini dipilih karena sistem pakar yang akan dibangun. Tujuan
fitur-fitur pada metode Naive Bayes dapat perancangan itu sendiri adalah untuk
bekerja secara independen (Prasetyo, 2012). mempermudah implementasi dan pengujian
Aplikasi sistem pakar ini bekerja dengan cara sistem pakar diagnosa penyakit sapi potong
menerima input data gejala yang terjadi pada dengan metode Naive Bayes. Langkah kerja
ternak. Melalui data-data tersebut akan dalam sistem akan disesuaikan dengan
dilakukan penalaran berdasarkan pengetahuan arsitektur sistem pakar.
pakar yang dikombinasikan dengan algoritma
naive bayes. Hasil dari pengolahan sistem pakar
ini adalah diagnosa jenis penyakit yang sedang
menyerang ternak dan saran terapi untuk
menanggulangi penyakit ternak.

2. METODOLOGI
2.1. Studi Literatur
Gambar 1. Arsitektur Sistem Pakar Diagnosa
Studi literatur adalah metode untuk Penyakit pada Sapi Potong
mendapatkan teori pendukung penelitian dan
Gambar 1 menjelaskan arsitektur sistem
menjadi dasar dalam penelitian ini. Literatur
pakar yang mewakili beberapa komponen
tersebut dapat diperoleh dari buku, jurnal,
sistem pakar yang akan dibangun. Pengguna
ebook dan dokumentasi project. Bagian studi
sistem ini adalah pengguna umum, pakar atau
literatur ini mencakup teori diantaranya adalah
dokter hewan dan knowledge engineer.
sebagai berikut:
Antarmuka sistem ini tebagi menjadi 2 yaitu
a. Sistem Pakar; tampilan untuk pengguna umum dan tampilan
b. Algoritma Naive Bayes; untuk pakar dan knowledge engineer. Fasilitas
c. Penyakit pada sapi potong. penjelas pada sistem ini digunakan untuk
memperjelas pertanyaan diagnosa dan men-
2.2. Observasi dan Wawancara jelaskan proses pengambilan keputusan. Basis
Observasi dan wawancara dilakukan di Pos pengetahuan menyimpan data training yang
Keswan Kab. Nganjuk. Target wawancara akan digunakan sebagai metode mesin inferensi
adalah tenaga dokter hewan yang menjadi staff untuk melakukan penalaran. Mesin inferensi

P-ISSN:2356-3109 E-ISSN 2356-3117 73

Journal of Environmental Engineering & Sustainable Technology (JEEST)
Vol. 02 No. 02, November 2015, Pages 72-78

akan memproses data training dengan P(Enteritis) = 42/325 = 0,12923

menggunakan metode Naive Bayes sehingga P(Endometritis) = 27/325 = 0,08308
dapat menghasilkan keputusan diagnosa sistem. P(Ascariasis) = 27/325 = 0,083077
Blackboard berfungsi sebagai penyimpanan dst...
hasil perhitungan sementara metode naive Langkah Kedua: Menghitung probabilitas
bayes. likelihood
Melakukan pencarian nilai probabilitas sebuah
2.4.1. Proses Perhitungan Naive Bayes
fakta gejala pada penyakit yang mempengaruhi
Bayes merupakan teknik prediksi berbasis suatu hipotesa.
probabilistik sederhana yang berdasar pada P(e|h) = Peluang data fakta gejala e, bila
penerapan teorema Bayes. Klasifikasi Naive diasumsikan bahwa hipotesa h benar
Bayes praktis diterapkan karena merupakan
Contoh:
salah satu probabilitas sederhana yang
Jumlah gejala G5 pada penyakit BEF = 161
penerapannya didasarkan pada teorema bayes
Jumlah gejala G9 pada penyakit BEF = 153
dengan asumsi independensi[4]. Formula Naive
Jumlah gejala G16 pada penyakit BEF = 89
Bayes dinyatakan dalam Persamaan 1 berikut
P(G5|BEF) = 161/161 = 1
(Prasetyo, 2012):
𝑞
P(G9|BEF) = 153/161 = 0,95031
𝑃(𝑌)∏𝑖=1𝑃(𝑋𝑖|𝑌)
𝑃𝑃(𝑌|𝑋) = ..........(Persamaan 1) P(G16|BEF) = 89/161 = 0,55280
𝑃(𝑋)
P(Y|X) = Probabilitas data dengan Hitung:
vektor X pada kelas Y P(G5|BEF) = 161/161 = 1
P(Y) = Probabilitas awal kelas Y P(G9|BEF) = 153/161 = 0,95031
𝑞 P(G16|BEF) = 89/161 = 0,55280
∏𝑖=1 𝑃(𝑋𝑖 |𝑌) = Probabilitas independen
kelas Y dari semua fitur P(G5|Bloat) = 161/161 = 1
dalam vektor X P(G9|Bloat) = 153/161 = 0,95031
P(G16|Bloat) = 89/161 = 0,55280
Melakukan Melakukan Melakukan P(G5|Enteritis) = 34/34 = 1
perhitungan perhitungan perhitungan P(G9|Enteritis) = 0/34 = 0
probabilitas probabilitas probabilitas
prior likelihood posterior
P(G16|Enteritis) = 0/34 = 0
P(G5|Endometritis) = 21/21 = 1
Gambar 2 Diagram Proses Komputasi Metode P(G9|Endometritis) = 0/21 = 0
Naive Bayes P(G16|Endometritis) = 0/21 = 0
P(G9|Ascariasis) = 0/22 = 0
Gambar 2 merupakan langkah-langkah P(G9|Ascariasis) = 0/22 = 0
komputasi dalam perhitungan Naive Bayes. P(G16|Ascariasis) = 0/22 = 0
Contoh Kasus: dst...
Jika diketahui suatu fakta gejala suatu penyakit
yang terdapat pada sapi adalah demam (G5), Langkah Ketiga: Menghitung probabilitas
keluar ingus (G9) dan pincang (G16). posterior
P(h|e) = Peluang bahwa hipotesa benar untuk
Langkah Pertama: Menghitung probabilitas data fakta gejala e yang diamati.
prior 𝑃(ℎ|𝑒) = 𝑃(ℎ) ∗ 𝑃(𝑒1 , 𝑒2 , 𝑒3 |ℎ)
Melakukan pencarian nilai probabilitas pada 𝑒1 = 𝐺6, 𝑒2 = 𝐺17, 𝑒3 = 𝐺10
setiap jenis penyakit. Perhitungan P(h|e) dapat dilihat seperti berikut:
P(h) = Peluang dari hipotesa h(jenis penyakit)
Contoh:
Contoh: P(BEF|e) = P(BEF) x P(G6|BEF) x P(G17|BEF)
Jumlah data penyakit BEF = 161 x P(G10|BEF)
Jumlah seluruh data penyakit = 325 P(BEF|e) = 0,49538 x 1 x 0,95031 x 0,5528 =
P(BEF) = 161/325 = 0,49538 0,26024
Hitung: Hitung:
P(BEF) = 161/325 = 0,49538 P(BEF|e) = 0,49538 x 1 x 0,95031 x
P(Bloat) = 34/325 = 0,10461 0,5528 = 0,26024

74 P-ISSN:2356-3109 E-ISSN 2356-3117

 Dewi, Soebroto, & Furqon, Sistem Pakar Diagnosa Penyakit Sapi Potong …

P(Bloat|e) = 0,10462 x 0 x 0 x 0 = 0 dilakukan melalui dua cara yaitu pengujian

P(Enteritis|e) = 0,12923 x 1 x 0 x 0 = 0 blackbox dan pengujian akurasi. Pengujian
P(Endometritis|e) = 0,08308 x 1 x 0 x 0 = 0 blackbox akan menguji fungsionalitas sistem
P(Ascaris|e) = 0,08307 x 0 x 0 x 0 = 0 dapat berjalan dengan baik. Pengujian akurasi
dst... dilakukan dengan membandingkan hasil
Hasil perhitungan metode Naive Bayes pada diagnosa sistem dengan hasil diagnosa seorang
penyakit sapi potong sesuai dengan fakta gejala pakar. Pengujian akurasi dilakukan terhadap
tersebut ditunjukkan pada tabel 1. variasi data dengan cara mengubah data
training. Pengujian variasi data terbagi menjadi
Tabel 1 Hasil Perhitungan Naive Bayes pada
empat skenario yaitu jumlah data training 20%,
Penyakit Sapi
Jenis
40%, 60%, 80% dan 100%. Tujuan pengujian
Index P(h) P(e1|h) P(e2|h) P(e3|h) P(h|e)
Penyakit variasi data training adalah untuk akurasi paling
Abses 0 0,00307 1 0 0 0 optimal terhadap perubahan data training.
Ascariasis 1 0,08308 0 0 0 0
3. HASIL DAN PEMBAHASAN
0,2602
BEF 2 0,49538 1 0,95031 0,5528
4 Hasil dan Pembahasan merupakan tahap
Bloat 3 0,10462 0 0 0 0 pengujian hasil dari perancangan dan
implementasi sistem pakar. Proses pengujian
Endometritis 4 0,08308 1 0 0 0
dilakukan melalui dua tahap yaitu pengujian
Enteritis 5 0,12923 1 0 0 0 blackbox, pengujian akurasi dan pengujian
Mastitis 6 0,00923 1 0 0 0
variasi data

Omphalitis 7 0,00615 1 0 0 0
3.1. Pengujian Blackbox

Pneumonia 8 0,00923 0,66667 0,33333 0 0

Pengujian blackbox dilakukan dengan
melihat kesesuaian antara hasil yang diharapkan
Retensio 9 0,02462 0,875 0 0 0 dengan hasil yang didapatkan dari sistem pakar.
Scabies 10 0,05231 0 0 0 0
Hasil pengujian blackbox sistem pakar diagnosa
penyakit sapi potong dengan metode Naive
Bayes menunjukkan bahwa sistem dapat
Hasil perhitungan probabilitas Tabel 1 akan menjalankan seluruh fungsi dengan baik dan
dilakukan searching nilai probabilitas terbesar memenuhi seluruh kebutuhan fungsional yang
yang nantinya akan menjadi keputusan sistem. ada. Hal tersebut terbukti dengan kesuaian hasil
Berdasarkan hasil perhitungan nilai probabilitas yang diharapkan dan hasil yang dihasilkan.
terbesar adalah 0,26024. Hasil diagnosa gejala
demam, pincang dan keluar ingus adalah 3.2. Pengujian Akurasi
penyakit BEF. Skenario pengujian akurasi terhadap variasi
2.5. Implementasi data akan terbagi menjadi lima skenario
pengujian yaitu jumlah data training 20%, 40%,
Implementasi sistem adalah fase 60%, 80% dan 100% dari 325 data training. .
membangun sistem yang telah dirancang dan Pengambilan data training pada masing-masing
menerapkan hal-hal yang telah diperoleh dalam skenario pengujian dilakukan melalui 5
proses studi literatur. Fase-fase yang ada dalam skenario pengambilan data. Skenario peng-
implementasi antara lain: ambilan data training pertama dilakukan
 Implementasi basis data dengan dengan cara mengambil data sejumlah n%
menggunakan DBMS MySQL kemudian dilakukan pembulatan ke atas.
 Implementasi algoritma Naive Bayes ke Skenario pengambilan data training kedua
dalam bahasa pemrograman PHP. dilakukan dengan cara mengambil data
 Tools pendukung lainnya sejumlah n% kemudian dilakukan pembulatan
2.6. Pengujian ke bawah. Skenario pengambilan data training
ketiga dilakukan dengan cara mengambil data
Pengujian sistem dilakukan untuk sejumlah n% kemudian dilakukan pembulatan.
mengetahui tingkat kesuksesan sistem pakar Skenario pengambilan data training keempat
yang telah dibangun. Pengujian sistem

P-ISSN:2356-3109 E-ISSN 2356-3117 75

Journal of Environmental Engineering & Sustainable Technology (JEEST)
Vol. 02 No. 02, November 2015, Pages 72-78

dilakukan dengan cara mengambil data se- 100

jumlah n% sesuai kebutuhan. Skeanrio A
pengambilan data training kelima dilakukan k 80
secara random. u 60
3.2.1. Skenario 20% Data Training r
a 40
Gambar 3 adalah grafik hasil pengujian s
20
pada masing-masing skenario proses peng- i
ambilan data dengan jumlah data training 0

(
sebesar 20% dari keseluruhan data training. %

)
100
A
80 Gambar 4. Grafik Tingkat Akurasi 40%
k
u 60 Data Training
(

r % 40 Sistem pakar mengenali peyakit pneumonia

)

a
s 20 sebagai penyakit bloat pada seluruh skenario
i 0 pengambilan data. Kesalahan diagnosa pada
skenario 1, 2, 3, 4 dan 5 terjadi karena data yang
dimasukkan oleh pengguna kurang spesifik.
Sistem pakar tidak dapat mengenali penyakit
enteritis dan pneumonia pada skenario
Gambar 3. Grafik Tingkat Akurasi 20% pengambilan data ketiga. Kesalahan ini terjadi
Data Training karena data yang dimasukkan pengguna tidak
Sistem pakar mengenali peyakit pneumonia tercakup dalam data training. Selain itu pada
sebagai penyakit bloat pada seluruh skenario skenario pengambilan data ketiga sistem pakar
pengambilan data. Kesalahan diagnosa pada mengenali penyakit omphalitis sebagai
skenario 1, 2, 3, 4 dan 5 terjadi karena data yang penyakit abses. Kesalahan ini dapat terjadi
dimasukkan oleh pengguna kurang spesifik. karena data training penyakit abses berjumlah
Sistem pakar tidak dapat mengenali penyakit sedikit sehingga tidak seimbang dengan data
enteritis, pneumonia, abses dan omphalitis pada training penyakit-penyakit lain.
skenario pengambilan data ketiga. Kesalahan 3.2.3. Skenario 60% Data Training
ini terjadi karena data yang dimasukkan
pengguna tidak tercakup dalam data training. Gambar 5 adalah grafik hasil pengujian pada
masing-masing skenario proses pengambilan
3.2.2. Skenario 40% Data Training data dengan jumlah data training sebesar 60%
Gambar 4 adalah grafik hasil pengujian dari keseluruhan data training.
pada masing-masing skenario proses peng-
ambilan data dengan jumlah data training 100
sebesar 40% dari keseluruhan data training. A
k 80
u 60
r
a
40
s 20
i
0
(

%
)

Gambar 5 Grafik Tingkat Akurasi 60%

Data Training
Sistem pakar mengenali peyakit pneumonia
sebagai penyakit bloat pada seluruh skenario

76 P-ISSN:2356-3109 E-ISSN 2356-3117

 Dewi, Soebroto, & Furqon, Sistem Pakar Diagnosa Penyakit Sapi Potong …

pengambilan data. Kesalahan diagnosa pada penyakit abses berjumlah sedikit sehingga tidak
skenario 1, 2, 3, 4 dan 5 terjadi karena data yang seimbang dengan data training penyakit-
dimasukkan oleh pengguna kurang spesifik. penyakit lain.
Skenario pengambilan data pertama dan kelima
3.2.6. Analisa Pengujian Akurasi
sistem pakar mengenali penyakit omphalitis
sebagai penyakit abses. Kesalahan ini dapat Berdasarkan kelima skenario pengujian
terjadi karena data training penyakit abses akurasi terhadap variasi data menghasilkan nilai
berjumlah sedikit sehingga tidak seimbang rata-rata akurasi masing-masing skenario
dengan data training penyakit-penyakit lain. sebesar 93,08%, 93,84%, 94,61%, 92,31% dan
92,31%. Sehingga didapatkan rata-rata akurasi
3.2.4. Skenario 80% Data Training
sistem sebesar 93,23%. Grafik rata-rata hasil
Gambar 6 adalah grafik hasil pengujian pengujian akurasi terhadap variasi data training
pada masing-masing skenario proses ditunjukkan pada Gambar 7 berikut.
pengambilan data dengan jumlah data training
sebesar 80% dari keseluruhan data training. 100
A
k 80
100
A u
80 60
k r
u 60 a 40
r s
40 i 20
a
s 20 0
(

i %
0
)
(

%
)

Gambar 7 Grafik Rata-Rata Hasil Pengujian Variasi

Gambar 6 Grafik Tingkat Akurasi 80% Data
Data Training Berdasarkan pemaparan hasil rata-rata
Sistem pakar mengenali peyakit pneumonia pengujian variasi data dapat diambil
sebagai penyakit bloat pada seluruh skenario kesimpulan bahwa tingkat akurasi tertinggi
pengambilan data. Kesalahan diagnosa pada didapat ketika variasi berjumlah 40% dan
skenario 1, 2, 3, 4 dan 5 terjadi karena data yang 60% dari keseluruhan jumlah data training
dimasukkan oleh pengguna kurang spesifik. yang ada. Hal ini membuktikan bahwa
Selain itu pada seluruh skenario pengambilan komposisi jumlah data kasus berpengaruh
data sistem pakar mengenali penyakit dalam hasil akurasi sistem. Semakin banyak
omphalitis sebagai penyakit abses. Kesalahan data training belum tentu dapat menjamin
ini dapat terjadi karena data training penyakit sistem pakar yang dihasilkan akan semakin
abses berjumlah sedikit sehingga tidak
baik. Jadi dalam menentukkan data training
seimbang dengan data training penyakit-
penyakit lain.
harus memperhatikan komposisi jumlah
data kasus masing-masing class untuk
3.2.5. Skenario 100% Data Training menghasilkan sistem pakar yang baik.
Skenario 100% data training menggunakan
100% datadari keseluruhan data training yang 4. PENUTUP
ada. Hasil pengujian sistem pakar skenario ini 4.1. Kesimpulan
mengenali peyakit pneumonia sebagai penyakit Berdasarkan hasil perancangan dan
bloat. Kesalahan diagnosa terjadi karena data pengujian yang dilakukan pada sistem pakar
yang dimasukkan oleh pengguna kurang diagnosa penyakit pada sapi potong dengan
spesifik. Selain itu sistem pakar mengenali metode Naive Bayes, maka dapat diambil
penyakit omphalitis sebagai penyakit abses. kesimpulan sebagai berikut:
Kesalahan ini dapat terjadi karena data training

P-ISSN:2356-3109 E-ISSN 2356-3117 77

 Journal of Environmental Engineering & Sustainable Technology (JEEST)
Vol. 02 No. 02, November 2015, Pages 72-78

1. Proses diagnosa penyakit sapi potong 2. Sistem dapat dikembangkan lebih lanjut
dilakukan dengan cara memasukkan gejala dengan menggunakan metode yang berbeda
klinis yang muncul pada ternak. Melalui atau mengkombinasikan metode Naive
gejala klinis tersebut akan dilakukan Bayes dengan metode yang lain agar sistem
perhitungan dengan metode Naive Bayes lebih akurat, efektif dan efisien.
untuk mendapatkan nilai probabilitas 3. Pengembangan dapat dilakukan dengan
posterior setiap class jenis penyakit ternak cara menambah jenis penyakit dan gejala
yang menjadi studi kasus pada penelitian klinis dalam proses diagnosa penyakit sapi
ini. Jenis penyakit yang memiliki nilai potong.
probabilitas akhir tinggi akan diambil
sebagai hasil diagnosa sistem pakar. 5. DAFTAR PUSTAKA
2. Sistem pakar diagnosa penyakit sapi potong AMBICA, A., dkk. 2013. An Efficient Expert
ini memiliki kinerja sistem yang mampu System for Diabetes by Naïve Bayesian
berjalan dengan baik sesuai kebutuhan Classifier. Dadi Institute of Engineering
fungsional. Hal ini berdasarkan pengujian and Technology (Affiliated to JNTUK),
blackbox yang telah membuktikan bahwa Andhra Pradesh.
seluruh fungsi dapat bekerja sesuai dengan HARDIKA, P ANGGA, dkk. 2014. Aplikasi Sistem
hasil yang diharapkan. Pakar untuk Identifikasi Hama dan
3. Berdasarkan kelima skenario pengujian Penyakit Tanaman Tebu dengan Metode
akurasi terhadap variasi data menghasilkan Naïve Bayes Berbasis Web. Universitas
nilai rata-rata akurasi masing-masing Brawijaya, Malang.
skenario sebesar 93,08%, 93,85%, 93,85%, KARLIK, BEKIR. 2011. Hepatitis Disease
92,31% dan 92,31%. Sehingga didapatkan Diagnosis Using Backpropagation and The
rata-rata akurasi sistem sebesar 93,08%. Naive Bayes Classifiers. Mevlan
Tingkat akurasi tertinggi didapat ketika University, Turkey.
variasi data training berjumlah 40% dan KUSRINI. 2007. Strategi Perancangan dan
60% dari keseluruhan jumlah data training Pengelolaan Basis Data. Yogyakarta: Andi.
yang ada. Hal ini membuktikan bahwa KUSRINI. 2008. Aplikasi Sistem Pakar Menentukan
komposisi data kasus berpengaruh dalam Faktor Kepastian Pengguna dengan Metode
hasil akurasi sistem. Semakin banyak data Kuantifikasi Pertanyaan. Yogyakarta:
Andi.
training belum tentu dapat menjamin
sistem pakar yang dihasilkan akan semakin MUNANDAR, TB AI, dkk. 2012. The Use of
baik. Jadi dalam menentukkan data training Certainty Factor with Multiple Rules for
Diagnosing Internal Disease. Universitas
harus komposisi data kasus masing-masing
Serang Raya, Banten.
class untuk menghasilkan sistem pakar
MUSTIKADEWI P. dkk. 2013. Aplikasi Sistem
yang baik.
Pakar Untuk Pendeteksian dan Penanganan
4.2. Saran Dini pada Penyakit Sapi dengan Metode
Dempster-Shafer Berbasis Web.
Sistem pakar diagnosa penyakit sapi potong Universitas Brawijaya, Malang.
dengan metode Naive Bayes ini masih memiliki PRASETYO, EKO. 2012. Data Mining-Konsep dan
beberapa kekurangan. Saran yang dapat Aplikasi Menggunakan MATLAB.
diberikan untuk pengembangan sistem agar Yogyakarta: Andi.
menjadi lebih baik antara lain: RAHMAT, BAGUS HARIANTO. 2012. 3 Jurus
1. Pengembangan metode Naive Bayes dapat Sukses Menggemukkan Sapi Potong.
dilakukan dengan cara melakukan Jakarta: PT. Agro Media Pustaka.
pembobotan pada gejala klinis penyakit. SUTOJO, T., dkk. 2011. Kecerdasan Buatan.
Yogyakarta: Andi.

78 P-ISSN:2356-3109 E-ISSN 2356-3117

View publication stats